Pivot Data dan Visualisasi Data Inflow Uang Kartal Beberapa Provinsi di Daerah Sumatera

Dosen Pengempu : Prof. Dr. Suhartono, M.Kom

UIN Maulana Malik Ibrahim Malang - Teknik Informatika

Pengertian Pivot Table

Pivot table adalah sebuah tabel yang berisi data rangkuman dari data dibeberapa tabel lainnya, dibuat dengan melakukan penjumlahan, menghitung rata-rata, mengurutkan data termasuk juga mengelompokkan data, sehingga dihasilkan tabel rangkuman yang lebih informatif dan mudah dibaca.

Pivot Table Inflow di Daerah Sumatera

library(readxl)

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

datainflowsumatera <- read_excel(path = "C:/Users/ASUS PC/Documents/BUKU NOVA/RStudio/RMarkdown/InflowSumatera.xlsx")
datainflowsumatera

## # A tibble: 11 x 12
##    Provinsi      `2011` `2012` `2013`  `2014` `2015` `2016` `2017` `2018` `2019`
##    <chr>          <dbl>  <dbl>  <dbl>   <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
##  1 Sumatera      57900. 65911. 98369. 86024.  86549. 97764. 1.04e5 1.17e5 1.34e5
##  2 Aceh           2308.  2620. 36337.  4567.   4710.  5775. 5.51e3 5.80e3 7.51e3
##  3 Sumatera Uta~ 23238. 25981. 18120. 30503.  30254. 34427. 3.56e4 4.18e4 4.71e4
##  4 Sumatera Bar~  9385. 11192. 14056. 14103.  13309. 14078. 1.53e4 1.51e4 1.47e4
##  5 Riau           3012.  4447.  8933.  6358.   7156.  8211. 8.55e3 1.07e4 1.09e4
##  6 Kep. Riau      1426.  2236.  3378.  2563.   3218.  4317. 4.41e3 5.13e3 6.08e3
##  7 Jambi          1868.  2138.  3047.  5169.   4978.  4398. 4.40e3 5.66e3 6.49e3
##  8 Sumatera Sel~  7820.  9126.  8647. 10038.  10797. 12752. 1.31e4 1.43e4 1.48e4
##  9 Bengkulu       1153.  1201.  2378.  3262.   2791.  2889. 3.62e3 4.15e3 5.79e3
## 10 Lampung        7690.  6969.  3474.  9448.   8160.  9373. 1.21e4 1.34e4 1.70e4
## 11 Kep. Bangka ~     0      0      0     13.7  1177.  1544. 1.16e3 1.52e3 3.27e3
## # ... with 2 more variables: 2020 <dbl>, 2021 <dbl>

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  3.1.4     v dplyr   1.0.8
## v tidyr   1.1.3     v stringr 1.4.0
## v readr   2.0.1     v forcats 0.5.1

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

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

Kasus Data Inflow di Daerah Sumatera Periode 2011-2021

datalongersumatera <- datainflowsumatera %>% 
  pivot_longer(!Provinsi, names_to = "Tahun", values_to = "Kasus")
datalongersumatera

## # A tibble: 121 x 3
##    Provinsi Tahun   Kasus
##    <chr>    <chr>   <dbl>
##  1 Sumatera 2011   57900.
##  2 Sumatera 2012   65911.
##  3 Sumatera 2013   98369.
##  4 Sumatera 2014   86024.
##  5 Sumatera 2015   86549.
##  6 Sumatera 2016   97764.
##  7 Sumatera 2017  103748.
##  8 Sumatera 2018  117495.
##  9 Sumatera 2019  133762.
## 10 Sumatera 2020  109345.
## # ... with 111 more rows

Pivot Data Inflow di Daerah Sumatera berdasarkan Kasus

library(dplyr)
sumatera2 <- select(datalongersumatera, Provinsi, Kasus)
sumatera2

## # A tibble: 121 x 2
##    Provinsi   Kasus
##    <chr>      <dbl>
##  1 Sumatera  57900.
##  2 Sumatera  65911.
##  3 Sumatera  98369.
##  4 Sumatera  86024.
##  5 Sumatera  86549.
##  6 Sumatera  97764.
##  7 Sumatera 103748.
##  8 Sumatera 117495.
##  9 Sumatera 133762.
## 10 Sumatera 109345.
## # ... with 111 more rows

Kasus Data Inflow di Provinsi Aceh Periode 2011-2021

library(dplyr)
sumatera3 <- datalongersumatera  %>%
    filter(Provinsi == 'Aceh') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sumatera3

## # A tibble: 11 x 3
##    Provinsi Tahun  Kasus
##    <chr>    <chr>  <dbl>
##  1 Aceh     2011   2308.
##  2 Aceh     2012   2620.
##  3 Aceh     2013  36337.
##  4 Aceh     2014   4567.
##  5 Aceh     2015   4710.
##  6 Aceh     2016   5775.
##  7 Aceh     2017   5514.
##  8 Aceh     2018   5799.
##  9 Aceh     2019   7509.
## 10 Aceh     2020   6641.
## 11 Aceh     2021   3702.

Kasus Data Inflow di Provinsi Aceh Tahun 2019

sumatera4 <- datalongersumatera %>%
  filter(Provinsi == 'Aceh', Tahun == '2019') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sumatera4

## # A tibble: 1 x 3
##   Provinsi Tahun Kasus
##   <chr>    <chr> <dbl>
## 1 Aceh     2019  7509.

Kasus Data Inflow di Provinsi Sumatera Utara Periode 2011-2021

library(dplyr)
sumatera3 <- datalongersumatera  %>%
    filter(Provinsi == 'Sumatera Utara') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sumatera3

## # A tibble: 11 x 3
##    Provinsi       Tahun  Kasus
##    <chr>          <chr>  <dbl>
##  1 Sumatera Utara 2011  23238.
##  2 Sumatera Utara 2012  25981.
##  3 Sumatera Utara 2013  18120.
##  4 Sumatera Utara 2014  30503.
##  5 Sumatera Utara 2015  30254.
##  6 Sumatera Utara 2016  34427.
##  7 Sumatera Utara 2017  35617.
##  8 Sumatera Utara 2018  41769.
##  9 Sumatera Utara 2019  47112.
## 10 Sumatera Utara 2020  36609.
## 11 Sumatera Utara 2021  31840.

Kasus Data Inflow di Provinsi Sumatera Utara Tahun 2015

sumatera4 <- datalongersumatera %>%
  filter(Provinsi == 'Sumatera Utara', Tahun == '2015') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sumatera4

## # A tibble: 1 x 3
##   Provinsi       Tahun  Kasus
##   <chr>          <chr>  <dbl>
## 1 Sumatera Utara 2015  30254.

Kasus Data Inflow di Provinsi Sumatera Barat Periode 2011-2021

library(dplyr)
sumatera3 <- datalongersumatera  %>%
    filter(Provinsi == 'Sumatera Barat') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sumatera3

## # A tibble: 11 x 3
##    Provinsi       Tahun  Kasus
##    <chr>          <chr>  <dbl>
##  1 Sumatera Barat 2011   9385.
##  2 Sumatera Barat 2012  11192.
##  3 Sumatera Barat 2013  14056.
##  4 Sumatera Barat 2014  14103.
##  5 Sumatera Barat 2015  13309.
##  6 Sumatera Barat 2016  14078.
##  7 Sumatera Barat 2017  15312.
##  8 Sumatera Barat 2018  15058.
##  9 Sumatera Barat 2019  14750.
## 10 Sumatera Barat 2020  10696.
## 11 Sumatera Barat 2021  10748.

Kasus Data Inflow di Provinsi Sumatera Barat Tahun 2018

sumatera4 <- datalongersumatera %>%
  filter(Provinsi == 'Sumatera Barat', Tahun == '2018') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sumatera4

## # A tibble: 1 x 3
##   Provinsi       Tahun  Kasus
##   <chr>          <chr>  <dbl>
## 1 Sumatera Barat 2018  15058.

Kasus Data Inflow di Provinsi Riau Periode 2011-2021

library(dplyr)
sumatera3 <- datalongersumatera  %>%
    filter(Provinsi == 'Riau') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sumatera3

## # A tibble: 11 x 3
##    Provinsi Tahun  Kasus
##    <chr>    <chr>  <dbl>
##  1 Riau     2011   3012.
##  2 Riau     2012   4447.
##  3 Riau     2013   8933.
##  4 Riau     2014   6358.
##  5 Riau     2015   7156.
##  6 Riau     2016   8211.
##  7 Riau     2017   8553.
##  8 Riau     2018  10730.
##  9 Riau     2019  10915.
## 10 Riau     2020   9148.
## 11 Riau     2021   7769.

Kasus Data Inflow di Provinsi Riau Tahun 2020

sumatera4 <- datalongersumatera %>%
  filter(Provinsi == 'Riau', Tahun == '2020') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sumatera4

## # A tibble: 1 x 3
##   Provinsi Tahun Kasus
##   <chr>    <chr> <dbl>
## 1 Riau     2020  9148.

Kasus Data Inflow di Provinsi Kepulauan Riau Periode 2011-2021

library(dplyr)
sumatera3 <- datalongersumatera  %>%
    filter(Provinsi == 'Kep. Riau') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sumatera3

## # A tibble: 11 x 3
##    Provinsi  Tahun Kasus
##    <chr>     <chr> <dbl>
##  1 Kep. Riau 2011  1426.
##  2 Kep. Riau 2012  2236.
##  3 Kep. Riau 2013  3378.
##  4 Kep. Riau 2014  2563.
##  5 Kep. Riau 2015  3218.
##  6 Kep. Riau 2016  4317.
##  7 Kep. Riau 2017  4412.
##  8 Kep. Riau 2018  5134.
##  9 Kep. Riau 2019  6077.
## 10 Kep. Riau 2020  6175.
## 11 Kep. Riau 2021  5009.

Kasus Data Inflow di Provinsi Kepulauan Riau Tahun 2011

sumatera4 <- datalongersumatera %>%
  filter(Provinsi == 'Kep. Riau', Tahun == '2011') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sumatera4

## # A tibble: 1 x 3
##   Provinsi  Tahun Kasus
##   <chr>     <chr> <dbl>
## 1 Kep. Riau 2011  1426.

Kasus Data Inflow di Provinsi Jambi Periode 2011-2021

library(dplyr)
sumatera3 <- datalongersumatera  %>%
    filter(Provinsi == 'Jambi') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sumatera3

## # A tibble: 11 x 3
##    Provinsi Tahun Kasus
##    <chr>    <chr> <dbl>
##  1 Jambi    2011  1868.
##  2 Jambi    2012  2138.
##  3 Jambi    2013  3047.
##  4 Jambi    2014  5169.
##  5 Jambi    2015  4978.
##  6 Jambi    2016  4398.
##  7 Jambi    2017  4404.
##  8 Jambi    2018  5657.
##  9 Jambi    2019  6486.
## 10 Jambi    2020  5628.
## 11 Jambi    2021  4980.

Kasus Data Inflow di Provinsi Jambi Tahun 2021

sumatera4 <- datalongersumatera %>%
  filter(Provinsi == 'Jambi', Tahun == '2021') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sumatera4

## # A tibble: 1 x 3
##   Provinsi Tahun Kasus
##   <chr>    <chr> <dbl>
## 1 Jambi    2021  4980.

Kasus Data Inflow di Provinsi Sumatera Selatan Periode 2011-2021

library(dplyr)
sumatera3 <- datalongersumatera  %>%
    filter(Provinsi == 'Sumatera Selatan') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sumatera3

## # A tibble: 11 x 3
##    Provinsi         Tahun  Kasus
##    <chr>            <chr>  <dbl>
##  1 Sumatera Selatan 2011   7820.
##  2 Sumatera Selatan 2012   9126.
##  3 Sumatera Selatan 2013   8647.
##  4 Sumatera Selatan 2014  10038.
##  5 Sumatera Selatan 2015  10797.
##  6 Sumatera Selatan 2016  12752.
##  7 Sumatera Selatan 2017  13075.
##  8 Sumatera Selatan 2018  14267.
##  9 Sumatera Selatan 2019  14812.
## 10 Sumatera Selatan 2020  11756.
## 11 Sumatera Selatan 2021   9106.

Kasus Data Inflow di Provinsi Sumatera Selatan Tahun 2017

sumatera4 <- datalongersumatera %>%
  filter(Provinsi == 'Sumatera Selatan', Tahun == '2017') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sumatera4

## # A tibble: 1 x 3
##   Provinsi         Tahun  Kasus
##   <chr>            <chr>  <dbl>
## 1 Sumatera Selatan 2017  13075.

Kasus Data Inflow di Provinsi Bengkulu Periode 2011-2021

library(dplyr)
sumatera3 <- datalongersumatera  %>%
    filter(Provinsi == 'Bengkulu') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sumatera3

## # A tibble: 11 x 3
##    Provinsi Tahun Kasus
##    <chr>    <chr> <dbl>
##  1 Bengkulu 2011  1153.
##  2 Bengkulu 2012  1201.
##  3 Bengkulu 2013  2378.
##  4 Bengkulu 2014  3262.
##  5 Bengkulu 2015  2791.
##  6 Bengkulu 2016  2889.
##  7 Bengkulu 2017  3620.
##  8 Bengkulu 2018  4150.
##  9 Bengkulu 2019  5789.
## 10 Bengkulu 2020  4971.
## 11 Bengkulu 2021  4160.

Kasus Data Inflow di Provinsi Bengkulu Tahun 2012

sumatera4 <- datalongersumatera %>%
  filter(Provinsi == 'Bengkulu', Tahun == '2012') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sumatera4

## # A tibble: 1 x 3
##   Provinsi Tahun Kasus
##   <chr>    <chr> <dbl>
## 1 Bengkulu 2012  1201.

Kasus Data Inflow di Provinsi Lampung Periode 2011-2021

library(dplyr)
sumatera3 <- datalongersumatera  %>%
    filter(Provinsi == 'Lampung') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sumatera3

## # A tibble: 11 x 3
##    Provinsi Tahun  Kasus
##    <chr>    <chr>  <dbl>
##  1 Lampung  2011   7690.
##  2 Lampung  2012   6969.
##  3 Lampung  2013   3474.
##  4 Lampung  2014   9448.
##  5 Lampung  2015   8160.
##  6 Lampung  2016   9373.
##  7 Lampung  2017  12078.
##  8 Lampung  2018  13415.
##  9 Lampung  2019  17046.
## 10 Lampung  2020  15158.
## 11 Lampung  2021  10697.

Kasus Data Inflow di Provinsi Lampung Tahun 2019

sumatera4 <- datalongersumatera %>%
  filter(Provinsi == 'Sumatera Barat', Tahun == '2019') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sumatera4

## # A tibble: 1 x 3
##   Provinsi       Tahun  Kasus
##   <chr>          <chr>  <dbl>
## 1 Sumatera Barat 2019  14750.

Kasus Data Inflow di Provinsi Kepulauan Bangka Belitung Periode 2011-2021

library(dplyr)
sumatera3 <- datalongersumatera  %>%
    filter(Provinsi == 'Kep. Bangka Belitung') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sumatera3

## # A tibble: 11 x 3
##    Provinsi             Tahun  Kasus
##    <chr>                <chr>  <dbl>
##  1 Kep. Bangka Belitung 2011     0  
##  2 Kep. Bangka Belitung 2012     0  
##  3 Kep. Bangka Belitung 2013     0  
##  4 Kep. Bangka Belitung 2014    13.7
##  5 Kep. Bangka Belitung 2015  1177. 
##  6 Kep. Bangka Belitung 2016  1544. 
##  7 Kep. Bangka Belitung 2017  1164. 
##  8 Kep. Bangka Belitung 2018  1517. 
##  9 Kep. Bangka Belitung 2019  3265. 
## 10 Kep. Bangka Belitung 2020  2562. 
## 11 Kep. Bangka Belitung 2021  1259.

Kasus Data Inflow di Provinsi Kepulauan Bangka Belitung Tahun 2016

sumatera4 <- datalongersumatera %>%
  filter(Provinsi == 'Kep. Bangka Belitung', Tahun == '2016') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sumatera4

## # A tibble: 1 x 3
##   Provinsi             Tahun Kasus
##   <chr>                <chr> <dbl>
## 1 Kep. Bangka Belitung 2016  1544.

Visualisasi Pivot Data Inflow di Pulau Sumatera berdasarkan Provinsi

ggplot(data = datalongersumatera, mapping = aes(x = Tahun, y = Kasus)) +
  geom_point(col = "magenta") +
  facet_wrap( ~ Provinsi) +
  theme(axis.text.x = element_text(angle = 90))

Visualisasi Pivot Data Inflow di Pulau Sumatera berdasarkan Tahun

ggplot(data = datalongersumatera, mapping = aes(x = Provinsi, y = Kasus)) +
  geom_point(col = "dark green") +
  facet_wrap( ~ Tahun) +
  theme(axis.text.x = element_text(angle = 90))

---

Referensi

• https://rpubs.com/suhartono-uinmaliki/868629

• https://www.bi.go.id/id/statistik/ekonomi-keuangan/ssp/indikator-pengedaran-uang.aspx

• https://www.kampusexcel.com/cara-membuat-pivot-table-2007.html#:~:text=Pengertian%20pivot%20table%20Apa%20itu%20pivot%20table%3F%2C%20pivot,tabel%20rangkuman%20yang%20lebih%20informatif%20dan%20mudah%20dibaca.