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 Gomapu

library(readxl)
## Warning: package 'readxl' was built under R version 4.1.2
datainflowgomapu <- read_excel(path = "C:/Users/ASUS PC/Documents/BUKU NOVA/RStudio/RMarkdown/OutflowGomapu.xlsx")
datainflowgomapu
## # 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    2794.  3593.  4235.  3229   3808.  3796.  3939.  4480.  4386   4833.
## 2 Goronta~     0      0      0      0      0      0      0    927.  1951.  2382.
## 3 Maluku ~  1631.  1677.  8578.  1809.  2397.  2246.  2752.  2678.  2984.  2943.
## 4 Maluku    2352.  2690.  4795.  2861.  3123.  3309.  3671.  3424.  4071.  3724.
## 5 Papua     9986. 13600.  7801. 11305. 11623. 11500. 10650. 12369.  9605. 12028.
## 6 Papua B~     0      0      0    170.  1899.  1924.  2621.  3001.  3319.  3086.
## # ... 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 Pulau Gomapu Periode 2011-2021

datalongergomapu <- datainflowgomapu %>% 
  pivot_longer(!Provinsi, names_to = "Tahun", values_to = "Kasus")
datalongergomapu
## # A tibble: 66 x 3
##    Provinsi Tahun Kasus
##    <chr>    <chr> <dbl>
##  1 Gomapu   2011  2794.
##  2 Gomapu   2012  3593.
##  3 Gomapu   2013  4235.
##  4 Gomapu   2014  3229 
##  5 Gomapu   2015  3808.
##  6 Gomapu   2016  3796.
##  7 Gomapu   2017  3939.
##  8 Gomapu   2018  4480.
##  9 Gomapu   2019  4386 
## 10 Gomapu   2020  4833.
## # ... with 56 more rows

Pivot Data Outflow di Pulau Gomapu berdasarkan Kasus

library(dplyr)
go2 <- select(datalongergomapu, Provinsi, Kasus)
go2
## # A tibble: 66 x 2
##    Provinsi Kasus
##    <chr>    <dbl>
##  1 Gomapu   2794.
##  2 Gomapu   3593.
##  3 Gomapu   4235.
##  4 Gomapu   3229 
##  5 Gomapu   3808.
##  6 Gomapu   3796.
##  7 Gomapu   3939.
##  8 Gomapu   4480.
##  9 Gomapu   4386 
## 10 Gomapu   4833.
## # ... with 56 more rows

Kasus Data Outflow 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   927.
##  9 Gorontalo 2019  1951.
## 10 Gorontalo 2020  2382.
## 11 Gorontalo 2021  1494.

Kasus Data Outflow 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  1494.

Kasus Data Outflow 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  1631.
##  2 Maluku Utara 2012  1677.
##  3 Maluku Utara 2013  8578.
##  4 Maluku Utara 2014  1809.
##  5 Maluku Utara 2015  2397.
##  6 Maluku Utara 2016  2246.
##  7 Maluku Utara 2017  2752.
##  8 Maluku Utara 2018  2678.
##  9 Maluku Utara 2019  2984.
## 10 Maluku Utara 2020  2943.
## 11 Maluku Utara 2021  1823.

Kasus Data Outflow di Provinsi Maluku Utara Tahun 2020

go4 <- datalongergomapu %>%
  filter(Provinsi == 'Maluku Utara', Tahun == '2020') %>%
 select('Provinsi', 'Tahun', 'Kasus')
go4
## # A tibble: 1 x 3
##   Provinsi     Tahun Kasus
##   <chr>        <chr> <dbl>
## 1 Maluku Utara 2020  2943.

Kasus Data Outflow 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  2352.
##  2 Maluku   2012  2690.
##  3 Maluku   2013  4795.
##  4 Maluku   2014  2861.
##  5 Maluku   2015  3123.
##  6 Maluku   2016  3309.
##  7 Maluku   2017  3671.
##  8 Maluku   2018  3424.
##  9 Maluku   2019  4071.
## 10 Maluku   2020  3724.
## 11 Maluku   2021  1806.

Kasus Data Outflow di Provinsi Maluku Tahun 2019

go4 <- datalongergomapu %>%
  filter(Provinsi == 'Maluku', Tahun == '2019') %>%
 select('Provinsi', 'Tahun', 'Kasus')
go4
## # A tibble: 1 x 3
##   Provinsi Tahun Kasus
##   <chr>    <chr> <dbl>
## 1 Maluku   2019  4071.

Kasus Data Outflow 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   9986.
##  2 Papua    2012  13600.
##  3 Papua    2013   7801.
##  4 Papua    2014  11305.
##  5 Papua    2015  11623.
##  6 Papua    2016  11500.
##  7 Papua    2017  10650.
##  8 Papua    2018  12369.
##  9 Papua    2019   9605.
## 10 Papua    2020  12028.
## 11 Papua    2021   5409.

Kasus Data Outflow di Provinsi Papua Tahun 2018

go4 <- datalongergomapu %>%
  filter(Provinsi == 'Papua', Tahun == '2018') %>%
 select('Provinsi', 'Tahun', 'Kasus')
go4
## # A tibble: 1 x 3
##   Provinsi Tahun  Kasus
##   <chr>    <chr>  <dbl>
## 1 Papua    2018  12369.

Kasus Data Outflow 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   170.
##  5 Papua Barat 2015  1899.
##  6 Papua Barat 2016  1924.
##  7 Papua Barat 2017  2621.
##  8 Papua Barat 2018  3001.
##  9 Papua Barat 2019  3319.
## 10 Papua Barat 2020  3086.
## 11 Papua Barat 2021   857.

Kasus Data Outflow di Provinsi Papua Barat Tahun 2017

go4 <- datalongergomapu %>%
  filter(Provinsi == 'Papua Barat', Tahun == '2017') %>%
 select('Provinsi', 'Tahun', 'Kasus')
go4
## # A tibble: 1 x 3
##   Provinsi    Tahun Kasus
##   <chr>       <chr> <dbl>
## 1 Papua Barat 2017  2621.

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

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

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

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

Referensi