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 Gomapu

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/InflowGomapu.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 Gomapu    1313   1565   3385  1918    1882   2147   2221   3011   1071   3640 
## 2 Goronta~     0      0      0     0       0      0      0   1088.  1983.  2227.
## 3 Maluku ~   586.   633. 10273. 1006.   1007.  1259.  1339.  1530.  1924.  1876.
## 4 Maluku    1273.  1147.  4341. 1781.   1790.  2367.  2484.  3210.  4056.  2909.
## 5 Papua     4710.  6047.  2131. 6794.   6099.  6291.  6353.  8076.  9259.  9556.
## 6 Papua B~     0      0      0    11.7   518.   818.   933.  1153.  1448.  1635.
## # ... 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 Gomapu Periode 2011-2021

datalongergomapu <- datainflowbalinusra %>% 
  pivot_longer(!Provinsi, names_to = "Tahun", values_to = "Kasus")
datalongergomapu
## # A tibble: 66 x 3
##    Provinsi Tahun Kasus
##    <chr>    <chr> <dbl>
##  1 Gomapu   2011   1313
##  2 Gomapu   2012   1565
##  3 Gomapu   2013   3385
##  4 Gomapu   2014   1918
##  5 Gomapu   2015   1882
##  6 Gomapu   2016   2147
##  7 Gomapu   2017   2221
##  8 Gomapu   2018   3011
##  9 Gomapu   2019   1071
## 10 Gomapu   2020   3640
## # ... with 56 more rows

Pivot Data Inflow di Daerah Gomapu berdasarkan Kasus

library(dplyr)
go2 <- select(datalongergomapu, Provinsi, Kasus)
go2
## # A tibble: 66 x 2
##    Provinsi Kasus
##    <chr>    <dbl>
##  1 Gomapu    1313
##  2 Gomapu    1565
##  3 Gomapu    3385
##  4 Gomapu    1918
##  5 Gomapu    1882
##  6 Gomapu    2147
##  7 Gomapu    2221
##  8 Gomapu    3011
##  9 Gomapu    1071
## 10 Gomapu    3640
## # ... with 56 more rows

Kasus Data Inflow di Provinsi Gorontalo Periode 2011-2021

library(dplyr)
go3 <- datalongergomapu  %>%
    filter(Provinsi == 'Gorontalo') %>%
    select('Provinsi', 'Tahun', 'Kasus')
go3
## # A tibble: 11 x 3
##    Provinsi  Tahun Kasus
##    <chr>     <chr> <dbl>
##  1 Gorontalo 2011     0 
##  2 Gorontalo 2012     0 
##  3 Gorontalo 2013     0 
##  4 Gorontalo 2014     0 
##  5 Gorontalo 2015     0 
##  6 Gorontalo 2016     0 
##  7 Gorontalo 2017     0 
##  8 Gorontalo 2018  1088.
##  9 Gorontalo 2019  1983.
## 10 Gorontalo 2020  2227.
## 11 Gorontalo 2021  1770.

Kasus Data Inflow di Provinsi Gorontalo Tahun 2021

go4 <- datalongergomapu %>%
  filter(Provinsi == 'Gorontalo', Tahun == '2021') %>%
 select('Provinsi', 'Tahun', 'Kasus')
go4
## # A tibble: 1 x 3
##   Provinsi  Tahun Kasus
##   <chr>     <chr> <dbl>
## 1 Gorontalo 2021  1770.

Kasus Data Inflow di Provinsi Maluku Utara Periode 2011-2021

library(dplyr)
go3 <- datalongergomapu  %>%
    filter(Provinsi == 'Maluku Utara') %>%
    select('Provinsi', 'Tahun', 'Kasus')
go3
## # A tibble: 11 x 3
##    Provinsi     Tahun  Kasus
##    <chr>        <chr>  <dbl>
##  1 Maluku Utara 2011    586.
##  2 Maluku Utara 2012    633.
##  3 Maluku Utara 2013  10273.
##  4 Maluku Utara 2014   1006.
##  5 Maluku Utara 2015   1007.
##  6 Maluku Utara 2016   1259.
##  7 Maluku Utara 2017   1339.
##  8 Maluku Utara 2018   1530.
##  9 Maluku Utara 2019   1924.
## 10 Maluku Utara 2020   1876.
## 11 Maluku Utara 2021   1738.

Kasus Data Inflow di Provinsi Maluku Utara Tahun 2019

go4 <- datalongergomapu %>%
  filter(Provinsi == 'Maluku Utara', Tahun == '2019') %>%
 select('Provinsi', 'Tahun', 'Kasus')
go4
## # A tibble: 1 x 3
##   Provinsi     Tahun Kasus
##   <chr>        <chr> <dbl>
## 1 Maluku Utara 2019  1924.

Kasus Data Inflow di Provinsi Maluku Periode 2011-2021

library(dplyr)
go3 <- datalongergomapu %>%
    filter(Provinsi == 'Maluku') %>%
    select('Provinsi', 'Tahun', 'Kasus')
go3
## # A tibble: 11 x 3
##    Provinsi Tahun Kasus
##    <chr>    <chr> <dbl>
##  1 Maluku   2011  1273.
##  2 Maluku   2012  1147.
##  3 Maluku   2013  4341.
##  4 Maluku   2014  1781.
##  5 Maluku   2015  1790.
##  6 Maluku   2016  2367.
##  7 Maluku   2017  2484.
##  8 Maluku   2018  3210.
##  9 Maluku   2019  4056.
## 10 Maluku   2020  2909.
## 11 Maluku   2021  2795.

Kasus Data Inflow di Provinsi Maluku Tahun 2017

go4 <- datalongergomapu %>%
  filter(Provinsi == 'Maluku', Tahun == '2017') %>%
 select('Provinsi', 'Tahun', 'Kasus')
go4
## # A tibble: 1 x 3
##   Provinsi Tahun Kasus
##   <chr>    <chr> <dbl>
## 1 Maluku   2017  2484.

Kasus Data Inflow di Provinsi Papua Periode 2011-2021

library(dplyr)
go3 <- datalongergomapu %>%
    filter(Provinsi == 'Papua') %>%
    select('Provinsi', 'Tahun', 'Kasus')
go3
## # A tibble: 11 x 3
##    Provinsi Tahun Kasus
##    <chr>    <chr> <dbl>
##  1 Papua    2011  4710.
##  2 Papua    2012  6047.
##  3 Papua    2013  2131.
##  4 Papua    2014  6794.
##  5 Papua    2015  6099.
##  6 Papua    2016  6291.
##  7 Papua    2017  6353.
##  8 Papua    2018  8076.
##  9 Papua    2019  9259.
## 10 Papua    2020  9556.
## 11 Papua    2021  8509.

Kasus Data Inflow di Provinsi Papua Tahun 2015

go4 <- datalongergomapu %>%
  filter(Provinsi == 'Papua', Tahun == '2015') %>%
 select('Provinsi', 'Tahun', 'Kasus')
go4
## # A tibble: 1 x 3
##   Provinsi Tahun Kasus
##   <chr>    <chr> <dbl>
## 1 Papua    2015  6099.

Kasus Data Inflow di Provinsi Papua Barat Periode 2011-2021

library(dplyr)
go3 <- datalongergomapu %>%
    filter(Provinsi == 'Papua Barat') %>%
    select('Provinsi', 'Tahun', 'Kasus')
go3
## # A tibble: 11 x 3
##    Provinsi    Tahun  Kasus
##    <chr>       <chr>  <dbl>
##  1 Papua Barat 2011     0  
##  2 Papua Barat 2012     0  
##  3 Papua Barat 2013     0  
##  4 Papua Barat 2014    11.7
##  5 Papua Barat 2015   518. 
##  6 Papua Barat 2016   818. 
##  7 Papua Barat 2017   933. 
##  8 Papua Barat 2018  1153. 
##  9 Papua Barat 2019  1448. 
## 10 Papua Barat 2020  1635. 
## 11 Papua Barat 2021  1907.

Kasus Data Inflow di Provinsi Papua Barat Tahun 2016

go4 <- datalongergomapu %>%
  filter(Provinsi == 'Papua Barat', Tahun == '2016') %>%
 select('Provinsi', 'Tahun', 'Kasus')
go4
## # A tibble: 1 x 3
##   Provinsi    Tahun Kasus
##   <chr>       <chr> <dbl>
## 1 Papua Barat 2016   818.

Visualisasi Pivot Data Inflow di Pulau Gorontalo, Maluku, dan Papua berdasarkan Provinsi

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

Visualisasi Pivot Data Inflow di Pulau Gorontalo, Maluku, dan Papua berdasarkan Tahun

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

Referensi