Lembaga : Universitas Islam Negeri Maulana Malik Ibrahim Malang

Fakultas : Sains dan Teknologi

Jurusan : Teknik Informatika

Mata Kuliah : Linier Algebra

0.1 Pengertian Relasional Data Set

Relasional data set merupakan kumpulan item data yang memiliki perpaduan atau hubungan yang telah ditentukan sebelumnya. Berbagai item ini diatur sebagai satu set tabel menggunakan kolom dan baris. Tabel digunakan untuk menyimpan informasi tentang objek yang ditampilkan dalam database. Tiap kolom dalam tabel memuat tipe data ekskusif , dan bidang tersebut menyimpan nilai aktual atribut. Baris dalam tabel mempresentasikan perpaduan nilai terkait berdasarkan satu objek atau entitas. Tiap baris pada tabel dapat ditandai dengan pengidentifikasi unik yang disebut kunci utama (keyword), dan baris di antara beberapa tabel dapat dibuat saling terkait menggunakan kunci asing. Berikut relasional data set antara indeks harga konsumen dengan tingkat inflansi Desember 2021 Kota-kota di Pulau Jawa dengan Nasional pada RStudio menggunakan bahasa pemrograman R.

0.2 Relasional Data Set antara Indeks Harga Konsumen dengan Tingkat Inflansi Desember 2021 Kota-kota di Pulau Jawa dengan Nasional

library(tidyverse)

## Warning: package 'tidyverse' was built under R version 4.1.2

## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --

## v ggplot2 3.3.5     v purrr   0.3.4
## v tibble  3.1.6     v dplyr   1.0.7
## v tidyr   1.1.3     v stringr 1.4.0
## v readr   2.0.1     v forcats 0.5.1

## Warning: package 'tibble' was built under R version 4.1.2

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

0.2.1 Tabel Data Indeks Harga Konsumen

data_IHK <-data.frame(Kota = c('DKI Jakarta', 'Bogor', 'Sukabumi',  
'Bandung', 'Cirebon', 'Bekasi',  'Depok', 'Tasikmalaya', 'Cilacap', 'Purwokerto', 'Kudus',  'Surakarta', 'Semarang' , 'Tegal', 'Yogyakarta', 'Jember', 'Banyuwangi', 'Sumenep' 
),
IHK = c(107.58, 109.19, 107.46, 107.43, 105.21, 109.77, 108.34, 104.81, 106.21,107.15, 106.32, 107.31, 107.49, 107.89, 108.53, 107.69, 105.69, 108.15
 ), 
stringsAsFactors = FALSE)
data_IHK

##           Kota    IHK
## 1  DKI Jakarta 107.58
## 2        Bogor 109.19
## 3     Sukabumi 107.46
## 4      Bandung 107.43
## 5      Cirebon 105.21
## 6       Bekasi 109.77
## 7        Depok 108.34
## 8  Tasikmalaya 104.81
## 9      Cilacap 106.21
## 10  Purwokerto 107.15
## 11       Kudus 106.32
## 12   Surakarta 107.31
## 13    Semarang 107.49
## 14       Tegal 107.89
## 15  Yogyakarta 108.53
## 16      Jember 107.69
## 17  Banyuwangi 105.69
## 18     Sumenep 108.15

0.2.2 Visualisasi Data Indeks Harga Konsumen

plot(data_IHK$IHK,type = "o", col= "dodgerblue")

0.2.3 Tabel Data Tingkat Inflasi

data_Tingkat_Inflansi <-data.frame(Kota = c('DKI Jakarta', 'Bogor', 'Sukabumi',  
'Bandung', 'Cirebon', 'Bekasi',  'Depok', 'Tasikmalaya', 'Cilacap', 'Purwokerto', 'Kudus',  'Surakarta', 'Semarang' , 'Tegal', 'Yogyakarta', 'Jember', 'Banyuwangi', 'Malang'
),
"Tingkat Inflasi" = c(0.45, 0.56, 0.34, 0.45, 0.54, 0.54, 0.54, 0.33, 0.82, 0.74, 0.74, 0.50, 0.60, 0.66, 0.71, 0.91, 0.72, 0.73), 
stringsAsFactors = FALSE)
data_Tingkat_Inflansi

##           Kota Tingkat.Inflasi
## 1  DKI Jakarta            0.45
## 2        Bogor            0.56
## 3     Sukabumi            0.34
## 4      Bandung            0.45
## 5      Cirebon            0.54
## 6       Bekasi            0.54
## 7        Depok            0.54
## 8  Tasikmalaya            0.33
## 9      Cilacap            0.82
## 10  Purwokerto            0.74
## 11       Kudus            0.74
## 12   Surakarta            0.50
## 13    Semarang            0.60
## 14       Tegal            0.66
## 15  Yogyakarta            0.71
## 16      Jember            0.91
## 17  Banyuwangi            0.72
## 18      Malang            0.73

0.2.4 Visualisasi Data Tingkat Inflansi

plot(data_Tingkat_Inflansi$Tingkat.Inflasi,type = "o", col= "darkorchid")

0.2.5 Inner Joins antara Data IHK dengan Data Tingkat Inflansi

InnerJoins <- data_IHK %>% 
  inner_join(data_Tingkat_Inflansi, by = "Kota")
InnerJoins

##           Kota    IHK Tingkat.Inflasi
## 1  DKI Jakarta 107.58            0.45
## 2        Bogor 109.19            0.56
## 3     Sukabumi 107.46            0.34
## 4      Bandung 107.43            0.45
## 5      Cirebon 105.21            0.54
## 6       Bekasi 109.77            0.54
## 7        Depok 108.34            0.54
## 8  Tasikmalaya 104.81            0.33
## 9      Cilacap 106.21            0.82
## 10  Purwokerto 107.15            0.74
## 11       Kudus 106.32            0.74
## 12   Surakarta 107.31            0.50
## 13    Semarang 107.49            0.60
## 14       Tegal 107.89            0.66
## 15  Yogyakarta 108.53            0.71
## 16      Jember 107.69            0.91
## 17  Banyuwangi 105.69            0.72

0.2.6 Outer Joins antara Data IHK dengan Data Tingkat Inflansi

  1. A left joint

    Leftjoins <- left_join(data_IHK,data_Tingkat_Inflansi)

## Joining, by = "Kota"

Leftjoins

##           Kota    IHK Tingkat.Inflasi
## 1  DKI Jakarta 107.58            0.45
## 2        Bogor 109.19            0.56
## 3     Sukabumi 107.46            0.34
## 4      Bandung 107.43            0.45
## 5      Cirebon 105.21            0.54
## 6       Bekasi 109.77            0.54
## 7        Depok 108.34            0.54
## 8  Tasikmalaya 104.81            0.33
## 9      Cilacap 106.21            0.82
## 10  Purwokerto 107.15            0.74
## 11       Kudus 106.32            0.74
## 12   Surakarta 107.31            0.50
## 13    Semarang 107.49            0.60
## 14       Tegal 107.89            0.66
## 15  Yogyakarta 108.53            0.71
## 16      Jember 107.69            0.91
## 17  Banyuwangi 105.69            0.72
## 18     Sumenep 108.15              NA

  2. A right joint

    Rightjoins <- right_join(data_IHK,data_Tingkat_Inflansi)

## Joining, by = "Kota"

Rightjoins

##           Kota    IHK Tingkat.Inflasi
## 1  DKI Jakarta 107.58            0.45
## 2        Bogor 109.19            0.56
## 3     Sukabumi 107.46            0.34
## 4      Bandung 107.43            0.45
## 5      Cirebon 105.21            0.54
## 6       Bekasi 109.77            0.54
## 7        Depok 108.34            0.54
## 8  Tasikmalaya 104.81            0.33
## 9      Cilacap 106.21            0.82
## 10  Purwokerto 107.15            0.74
## 11       Kudus 106.32            0.74
## 12   Surakarta 107.31            0.50
## 13    Semarang 107.49            0.60
## 14       Tegal 107.89            0.66
## 15  Yogyakarta 108.53            0.71
## 16      Jember 107.69            0.91
## 17  Banyuwangi 105.69            0.72
## 18      Malang     NA            0.73

  3. A full joint

    fullJoins <- full_join(data_IHK,data_Tingkat_Inflansi)

## Joining, by = "Kota"

fullJoins

##           Kota    IHK Tingkat.Inflasi
## 1  DKI Jakarta 107.58            0.45
## 2        Bogor 109.19            0.56
## 3     Sukabumi 107.46            0.34
## 4      Bandung 107.43            0.45
## 5      Cirebon 105.21            0.54
## 6       Bekasi 109.77            0.54
## 7        Depok 108.34            0.54
## 8  Tasikmalaya 104.81            0.33
## 9      Cilacap 106.21            0.82
## 10  Purwokerto 107.15            0.74
## 11       Kudus 106.32            0.74
## 12   Surakarta 107.31            0.50
## 13    Semarang 107.49            0.60
## 14       Tegal 107.89            0.66
## 15  Yogyakarta 108.53            0.71
## 16      Jember 107.69            0.91
## 17  Banyuwangi 105.69            0.72
## 18     Sumenep 108.15              NA
## 19      Malang     NA            0.73

0.2.7 Visualisasi Relasional Data Set

Kita dapat menggunakan data inner joins karena pada inner join baris yang tidak cocok keyword-nya tidak disertakan dalam hasil pada tabel gabungan. Sehingga kita dapat mengvisualisasikan gabungan data dari tabel tersebut.

plot(InnerJoins$IHK, InnerJoins$Tingkat.Inflasi,type = "o", col= "darkorange")