Melakukan Analisis Trend Penggunaan Kata “BCA”,“BNI”, dan “Bank BRI”

knitr::opts_chunk$set(warning = FALSE)
library(gtrendsR)
trend <- gtrends(
  keyword = c("BCA", "BNI", "Bank BRI"),
  geo = "ID",
  time = "today 12-m"  # Perbaikan ada di sini
)
#View(trend$interest_over_time)   # data frame 159x7
#View(trend$interest_by_region)   # data frame 102x5
#View(trend$interest_by_city)     # data frame 600x5
#View(trend$related_queries)      # data frame 1x6

# Lihat struktur data yang dihasilkan
str(trend)
## List of 7
##  $ interest_over_time :'data.frame': 159 obs. of  7 variables:
##   ..$ date    : POSIXct[1:159], format: "2025-05-11" "2025-05-18" ...
##   ..$ hits    : int [1:159] 78 84 88 89 84 84 89 95 89 90 ...
##   ..$ keyword : chr [1:159] "BCA" "BCA" "BCA" "BCA" ...
##   ..$ geo     : chr [1:159] "ID" "ID" "ID" "ID" ...
##   ..$ time    : chr [1:159] "today 12-m" "today 12-m" "today 12-m" "today 12-m" ...
##   ..$ gprop   : chr [1:159] "web" "web" "web" "web" ...
##   ..$ category: int [1:159] 0 0 0 0 0 0 0 0 0 0 ...
##  $ interest_by_country: NULL
##  $ interest_by_region :'data.frame': 102 obs. of  5 variables:
##   ..$ location: chr [1:102] "Special Capital Region of Jakarta" "Banten" "Bali" "Riau Islands" ...
##   ..$ hits    : int [1:102] 100 83 62 62 58 56 46 40 38 37 ...
##   ..$ keyword : chr [1:102] "BCA" "BCA" "BCA" "BCA" ...
##   ..$ geo     : chr [1:102] "ID" "ID" "ID" "ID" ...
##   ..$ gprop   : chr [1:102] "web" "web" "web" "web" ...
##  $ interest_by_dma    : NULL
##  $ interest_by_city   :'data.frame': 600 obs. of  5 variables:
##   ..$ location: chr [1:600] "South Tangerang" "Sukaraja" "Tangerang" "Jakarta" ...
##   ..$ hits    : int [1:600] NA NA NA NA NA NA NA NA NA NA ...
##   ..$ keyword : chr [1:600] "BCA" "BCA" "BCA" "BCA" ...
##   ..$ geo     : chr [1:600] "ID" "ID" "ID" "ID" ...
##   ..$ gprop   : chr [1:600] "web" "web" "web" "web" ...
##  $ related_topics     : NULL
##  $ related_queries    :'data.frame': 54 obs. of  6 variables:
##   ..$ subject       : chr [1:54] "100" "99" "65" "59" ...
##   ..$ related_topics: chr [1:54] "top" "top" "top" "top" ...
##   ..$ value         : chr [1:54] "bca dana" "kode bca" "bank bca" "bca ke dana" ...
##   ..$ geo           : chr [1:54] "ID" "ID" "ID" "ID" ...
##   ..$ keyword       : chr [1:54] "BCA" "BCA" "BCA" "BCA" ...
##   ..$ category      : int [1:54] 0 0 0 0 0 0 0 0 0 0 ...
##   ..- attr(*, "reshapeLong")=List of 4
##   .. ..$ varying:List of 1
##   .. .. ..$ value: chr "top"
##   .. .. ..- attr(*, "v.names")= chr "value"
##   .. .. ..- attr(*, "times")= chr "top"
##   .. ..$ v.names: chr "value"
##   .. ..$ idvar  : chr "id"
##   .. ..$ timevar: chr "related_topics"
##  - attr(*, "class")= chr [1:2] "gtrends" "list"
# Plot data yang sudah diambil
plot(trend)

Plot diatas menunjukan trend pencarian kata dari tahun ke tahun

# Pre-Processing Data
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
df_time <- trend$interest_over_time %>%
  select(date, hits, keyword) %>%
  mutate(hits = as.numeric(ifelse(hits == "<1", 0, hits)))
#Data Minat Berdasarkan Provinsi
# Ambil data regional
library(ggplot2)
df_region <- trend$interest_by_region %>%
  filter(location != "") %>%
  group_by(keyword) %>%
  mutate(hits = as.numeric(ifelse(hits == "<1", 0, hits)))
head(df_region)
## # A tibble: 6 × 5
## # Groups:   keyword [1]
##   location                           hits keyword geo   gprop
##   <chr>                             <dbl> <chr>   <chr> <chr>
## 1 Special Capital Region of Jakarta   100 BCA     ID    web  
## 2 Banten                               83 BCA     ID    web  
## 3 Bali                                 62 BCA     ID    web  
## 4 Riau Islands                         62 BCA     ID    web  
## 5 West Java                            58 BCA     ID    web  
## 6 East Java                            56 BCA     ID    web
# Plot batang
ggplot(df_region, aes(x = reorder(location, hits), y = hits, fill = keyword)) +
  geom_bar(stat = "identity", position = "dodge") +
  coord_flip() +
  labs(title = "Minat Berdasarkan Provinsi",
       x = "Provinsi", y = "Tren (0–100)") +
  theme_minimal()

Plot diatas menunjukan trend pencarian kata dari tahun ke tahun pada setiap provinsi

#Rata-Rata Popularitas Masing-Masing Kata Kunci
  df_avg <- df_time %>%
    group_by(keyword) %>%
    summarise(avg_hits = mean(hits))
  
  ggplot(df_avg, aes(x = reorder(keyword, -avg_hits), y = avg_hits, fill = keyword)) +
    geom_col() +
    labs(title = "Rata-rata Popularitas per Brand",
         x = "Brand", y = "Rata-rata Skor Pencarian") +
    theme_minimal()

Plot diatas menunjukan rata-rata trend pencarian kata yaitu “BCA”, “BNI”, dan “Bank BRI”

Intepretasi

• Melihat data time series pencarian paling banyak terlihat pada BCA kemudian BNI, dan Bank BRI. Hal tersebut dapat dilihat dari nilai search hits untuk BCA sekitar 75-100, untuk BNI sekitar 20-35, dan untuk Bank BRI sekitar 5-10.

• Melihat diagram batang “Minat Berdasarkan Provinsi” terdapat perbedaan tren antar provinsi. Ada provinsi dengan nilai tren terbanyak ada di BCA seperti Special Capital Region of Jakarta dan Banten, ada juga provinsi dengan nilai tren terbanyak ada di BNI seperti North Sulawesi dan Riau Islands, serta provinsi dengan nilai tren Bank BRI terbanyak seperti East Nusa Tenggara dan Papua. Perbedaan ini menunjukan pada masing masing provinsi memiliki tren topik bank yang berbeda.

• Diagram batang ”Rata-rata Popularitas per Brand” rata rata skor pencarian terbanyak diurut adalah BCA, BNI, kemudian Bank BRI. Ini menunjukan secara keseluruhan pencarian di Indonesia BCA merupakan pencarian terbanyak dibandingkan dengan BNI dan Bank BRI.