Pivot Data dan Visualisasi Data Outflow Uang Kartal Beberapa Provinsi di Pulau 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 Outflow di Pulau Sulawesi

library(readxl)

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

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

## # 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  4496.  5131.  8602.  6417   6822.  6833   7321.  7708.  7758.  8133.
## 2 Sulawes~  6606.  6375. 22740.  7207.  7202.  7707.  8421.  7605.  7367.  7437.
## 3 Sulawes~  4017.  4458.  4544.  5696.  5310.  4962.  5226.  5578.  5531.  4674.
## 4 Sulawes~  8967. 11873. 11485. 15645. 16236. 15494. 15159. 16779. 18089. 20503.
## 5 Sulawes~  2889.  2950.  4239.  3537.  4716.  4488.  5293.  5224.  5056.  5129.
## 6 Sulawes~     0      0      0      0    647.  1514.  2504.  3350.  2749.  2921.
## # ... 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 Outflow di Daerah Sulawesi Periode 2011-2021

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

## # A tibble: 66 x 3
##    Provinsi Tahun Kasus
##    <chr>    <chr> <dbl>
##  1 Sulawesi 2011  4496.
##  2 Sulawesi 2012  5131.
##  3 Sulawesi 2013  8602.
##  4 Sulawesi 2014  6417 
##  5 Sulawesi 2015  6822.
##  6 Sulawesi 2016  6833 
##  7 Sulawesi 2017  7321.
##  8 Sulawesi 2018  7708.
##  9 Sulawesi 2019  7758.
## 10 Sulawesi 2020  8133.
## # ... with 56 more rows

Pivot Data Outflow di Pulau Sulawesi berdasarkan Kasus

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

## # A tibble: 66 x 2
##    Provinsi Kasus
##    <chr>    <dbl>
##  1 Sulawesi 4496.
##  2 Sulawesi 5131.
##  3 Sulawesi 8602.
##  4 Sulawesi 6417 
##  5 Sulawesi 6822.
##  6 Sulawesi 6833 
##  7 Sulawesi 7321.
##  8 Sulawesi 7708.
##  9 Sulawesi 7758.
## 10 Sulawesi 8133.
## # ... with 56 more rows

Kasus Data Outflow 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   6606.
##  2 Sulawesi Utara 2012   6375.
##  3 Sulawesi Utara 2013  22740.
##  4 Sulawesi Utara 2014   7207.
##  5 Sulawesi Utara 2015   7202.
##  6 Sulawesi Utara 2016   7707.
##  7 Sulawesi Utara 2017   8421.
##  8 Sulawesi Utara 2018   7605.
##  9 Sulawesi Utara 2019   7367.
## 10 Sulawesi Utara 2020   7437.
## 11 Sulawesi Utara 2021   3050.

Kasus Data Outflow di Provinsi Sulawesi Utara Tahun 2021

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

## # A tibble: 1 x 3
##   Provinsi       Tahun Kasus
##   <chr>          <chr> <dbl>
## 1 Sulawesi Utara 2021  3050.

Kasus Data Outflow 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  4017.
##  2 Sulawesi Tengah 2012  4458.
##  3 Sulawesi Tengah 2013  4544.
##  4 Sulawesi Tengah 2014  5696.
##  5 Sulawesi Tengah 2015  5310.
##  6 Sulawesi Tengah 2016  4962.
##  7 Sulawesi Tengah 2017  5226.
##  8 Sulawesi Tengah 2018  5578.
##  9 Sulawesi Tengah 2019  5531.
## 10 Sulawesi Tengah 2020  4674.
## 11 Sulawesi Tengah 2021  2763.

Kasus Data Outflow di Provinsi Sulawesi Tengah Tahun 2020

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

## # A tibble: 1 x 3
##   Provinsi        Tahun Kasus
##   <chr>           <chr> <dbl>
## 1 Sulawesi Tengah 2020  4674.

Kasus Data Outflow 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   8967.
##  2 Sulawesi Selatan 2012  11873.
##  3 Sulawesi Selatan 2013  11485.
##  4 Sulawesi Selatan 2014  15645.
##  5 Sulawesi Selatan 2015  16236.
##  6 Sulawesi Selatan 2016  15494.
##  7 Sulawesi Selatan 2017  15159.
##  8 Sulawesi Selatan 2018  16779.
##  9 Sulawesi Selatan 2019  18089.
## 10 Sulawesi Selatan 2020  20503.
## 11 Sulawesi Selatan 2021  12017.

Kasus Data Outflow di Provinsi Sulawesi Selatan Tahun 2019

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

## # A tibble: 1 x 3
##   Provinsi         Tahun  Kasus
##   <chr>            <chr>  <dbl>
## 1 Sulawesi Selatan 2019  18089.

Kasus Data Outflow 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  2889.
##  2 Sulawesi Tenggara 2012  2950.
##  3 Sulawesi Tenggara 2013  4239.
##  4 Sulawesi Tenggara 2014  3537.
##  5 Sulawesi Tenggara 2015  4716.
##  6 Sulawesi Tenggara 2016  4488.
##  7 Sulawesi Tenggara 2017  5293.
##  8 Sulawesi Tenggara 2018  5224.
##  9 Sulawesi Tenggara 2019  5056.
## 10 Sulawesi Tenggara 2020  5129.
## 11 Sulawesi Tenggara 2021  2507.

Kasus Data Outflow di Provinsi Sulawesi Tenggara Tahun 2018

sul4 <- datalongersulawesi %>%
  filter(Provinsi == 'Sulawesi Tenggara', , Tahun == '2018') %>%
 select('Provinsi', 'Tahun', 'Kasus')
sul4

## # A tibble: 1 x 3
##   Provinsi          Tahun Kasus
##   <chr>             <chr> <dbl>
## 1 Sulawesi Tenggara 2018  5224.

Kasus Data Outflow 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   647.
##  6 Sulawesi Barat 2016  1514.
##  7 Sulawesi Barat 2017  2504.
##  8 Sulawesi Barat 2018  3350.
##  9 Sulawesi Barat 2019  2749.
## 10 Sulawesi Barat 2020  2921.
## 11 Sulawesi Barat 2021  2079.

Kasus Data Outflow di Provinsi Sulawesi Barat Tahun 2017

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

## # A tibble: 1 x 3
##   Provinsi       Tahun Kasus
##   <chr>          <chr> <dbl>
## 1 Sulawesi Barat 2017  2504.

Visualisasi Pivot Data Outflow di Pulau Sulawesi berdasarkan Provinsi

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

Visualisasi Pivot Data Outflow di Pulau Sulawesi berdasarkan Tahun

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