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

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 Sulawesi

library(readxl)

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

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

## # A tibble: 6 x 12
##   Provinsi `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018` `2019` `2020`
##   <chr>     <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 Sulawesi  3697   4637   9405   6402  6.18e3  7002   6603   7522   8306   6921 
## 2 Sulawes~  5671.  6635. 21646.  7374. 6.29e3  7266.  7044.  7781.  7809.  6324.
## 3 Sulawes~  1563.  1885.  1520.  3000. 2.59e3  2665.  2806.  3701.  4042.  3052.
## 4 Sulawes~ 10593. 13702. 17770. 19384. 1.96e4 21043. 18803. 21894. 24749. 21551.
## 5 Sulawes~   659.   964.  6093.  2256. 2.38e3  3491.  3618.  3632.  4390.  3353.
## 6 Sulawes~     0      0      0      0  4.92e1   536.   746.   606.   542.   329.
## # ... with 1 more variable: 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 Sulawesi Periode 2011-2021

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

## # A tibble: 66 x 3
##    Provinsi Tahun Kasus
##    <chr>    <chr> <dbl>
##  1 Sulawesi 2011   3697
##  2 Sulawesi 2012   4637
##  3 Sulawesi 2013   9405
##  4 Sulawesi 2014   6402
##  5 Sulawesi 2015   6179
##  6 Sulawesi 2016   7002
##  7 Sulawesi 2017   6603
##  8 Sulawesi 2018   7522
##  9 Sulawesi 2019   8306
## 10 Sulawesi 2020   6921
## # ... with 56 more rows

Pivot Data Inflow di Daerah Sulawesi berdasarkan Kasus

library(dplyr)
sul2 <- select(datalongersulawesi, Provinsi, Kasus)
sul2

## # A tibble: 66 x 2
##    Provinsi Kasus
##    <chr>    <dbl>
##  1 Sulawesi  3697
##  2 Sulawesi  4637
##  3 Sulawesi  9405
##  4 Sulawesi  6402
##  5 Sulawesi  6179
##  6 Sulawesi  7002
##  7 Sulawesi  6603
##  8 Sulawesi  7522
##  9 Sulawesi  8306
## 10 Sulawesi  6921
## # ... with 56 more rows

Kasus Data Inflow di Provinsi Sulawesi Utara Periode 2011-2021

library(dplyr)
sul3 <- datalongersulawesi  %>%
    filter(Provinsi == 'Sulawesi Utara') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sul3

## # A tibble: 11 x 3
##    Provinsi       Tahun  Kasus
##    <chr>          <chr>  <dbl>
##  1 Sulawesi Utara 2011   5671.
##  2 Sulawesi Utara 2012   6635.
##  3 Sulawesi Utara 2013  21646.
##  4 Sulawesi Utara 2014   7374.
##  5 Sulawesi Utara 2015   6286.
##  6 Sulawesi Utara 2016   7266.
##  7 Sulawesi Utara 2017   7044.
##  8 Sulawesi Utara 2018   7781.
##  9 Sulawesi Utara 2019   7809.
## 10 Sulawesi Utara 2020   6324.
## 11 Sulawesi Utara 2021   4671.

Kasus Data Inflow di Provinsi Sulawesi Utara Tahun 2020

sul4 <- datalongersulawesi %>%
  filter(Provinsi == 'Sulawesi Utara', Tahun == '2020') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sul4

## # A tibble: 1 x 3
##   Provinsi       Tahun Kasus
##   <chr>          <chr> <dbl>
## 1 Sulawesi Utara 2020  6324.

Kasus Data Inflow di Provinsi Sulawesi Tengah Periode 2011-2021

library(dplyr)
sul3 <- datalongersulawesi  %>%
    filter(Provinsi == 'Sulawesi Tengah') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sul3

## # A tibble: 11 x 3
##    Provinsi        Tahun Kasus
##    <chr>           <chr> <dbl>
##  1 Sulawesi Tengah 2011  1563.
##  2 Sulawesi Tengah 2012  1885.
##  3 Sulawesi Tengah 2013  1520.
##  4 Sulawesi Tengah 2014  3000.
##  5 Sulawesi Tengah 2015  2593.
##  6 Sulawesi Tengah 2016  2665.
##  7 Sulawesi Tengah 2017  2806.
##  8 Sulawesi Tengah 2018  3701.
##  9 Sulawesi Tengah 2019  4042.
## 10 Sulawesi Tengah 2020  3052.
## 11 Sulawesi Tengah 2021  2453.

Kasus Data Inflow di Provinsi Sulawesi Tengah Tahun 2019

sul4 <- datalongersulawesi %>%
  filter(Provinsi == 'Sulawesi Tengah', Tahun == '2019') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sul4

## # A tibble: 1 x 3
##   Provinsi        Tahun Kasus
##   <chr>           <chr> <dbl>
## 1 Sulawesi Tengah 2019  4042.

Kasus Data Inflow di Provinsi Sulawesi Selatan Periode 2011-2021

library(dplyr)
sul3 <- datalongersulawesi %>%
    filter(Provinsi == 'Sulawesi Selatan') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sul3

## # A tibble: 11 x 3
##    Provinsi         Tahun  Kasus
##    <chr>            <chr>  <dbl>
##  1 Sulawesi Selatan 2011  10593.
##  2 Sulawesi Selatan 2012  13702.
##  3 Sulawesi Selatan 2013  17770.
##  4 Sulawesi Selatan 2014  19384.
##  5 Sulawesi Selatan 2015  19583.
##  6 Sulawesi Selatan 2016  21043.
##  7 Sulawesi Selatan 2017  18803.
##  8 Sulawesi Selatan 2018  21894.
##  9 Sulawesi Selatan 2019  24749.
## 10 Sulawesi Selatan 2020  21551.
## 11 Sulawesi Selatan 2021  18335.

Kasus Data Inflow di Provinsi Sulawesi Selatan Tahun 2021

sul4 <- datalongersulawesi %>%
  filter(Provinsi == 'Sulawesi Selatan', Tahun == '2021') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sul4

## # A tibble: 1 x 3
##   Provinsi         Tahun  Kasus
##   <chr>            <chr>  <dbl>
## 1 Sulawesi Selatan 2021  18335.

Kasus Data Inflow di Provinsi Sulawesi Tenggara Periode 2011-2021

library(dplyr)
sul3 <- datalongersulawesi  %>%
    filter(Provinsi == 'Sulawesi Tenggara') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sul3

## # A tibble: 11 x 3
##    Provinsi          Tahun Kasus
##    <chr>             <chr> <dbl>
##  1 Sulawesi Tenggara 2011   659.
##  2 Sulawesi Tenggara 2012   964.
##  3 Sulawesi Tenggara 2013  6093.
##  4 Sulawesi Tenggara 2014  2256.
##  5 Sulawesi Tenggara 2015  2385.
##  6 Sulawesi Tenggara 2016  3491.
##  7 Sulawesi Tenggara 2017  3618.
##  8 Sulawesi Tenggara 2018  3632.
##  9 Sulawesi Tenggara 2019  4390.
## 10 Sulawesi Tenggara 2020  3353.
## 11 Sulawesi Tenggara 2021  3270.

Kasus Data Inflow di Provinsi Sulawesi Tenggara Tahun 2017

sul4 <- datalongersulawesi %>%
  filter(Provinsi == 'Sulawesi Tenggara', , Tahun == '2017') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sul4

## # A tibble: 1 x 3
##   Provinsi          Tahun Kasus
##   <chr>             <chr> <dbl>
## 1 Sulawesi Tenggara 2017  3618.

Kasus Data Inflow di Provinsi Sulawesi Barat Periode 2011-2021

library(dplyr)
sul3 <- datalongersulawesi %>%
    filter(Provinsi == 'Sulawesi Barat') %>%
    select('Provinsi', 'Tahun', 'Kasus')
sul3

## # A tibble: 11 x 3
##    Provinsi       Tahun Kasus
##    <chr>          <chr> <dbl>
##  1 Sulawesi Barat 2011    0  
##  2 Sulawesi Barat 2012    0  
##  3 Sulawesi Barat 2013    0  
##  4 Sulawesi Barat 2014    0  
##  5 Sulawesi Barat 2015   49.2
##  6 Sulawesi Barat 2016  536. 
##  7 Sulawesi Barat 2017  746. 
##  8 Sulawesi Barat 2018  606. 
##  9 Sulawesi Barat 2019  542. 
## 10 Sulawesi Barat 2020  329. 
## 11 Sulawesi Barat 2021  265.

Kasus Data Inflow di Provinsi Sulawesi Barat Tahun 2016

sul4 <- datalongersulawesi %>%
  filter(Provinsi == 'Sulawesi Barat', , Tahun == '2016') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sul4

## # A tibble: 1 x 3
##   Provinsi       Tahun Kasus
##   <chr>          <chr> <dbl>
## 1 Sulawesi Barat 2016   536.

Visualisasi Pivot Data Inflow di Pulau Sulawesi berdasarkan Provinsi

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

Visualisasi Pivot Data Inflow di Pulau Sulawesi berdasarkan Tahun

ggplot(data = datalongersulawesi, mapping = aes(x = Provinsi, y = Kasus)) +
  geom_point(col = "brown") +
  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.