Pivot dan Visualisasi Data Inflow Uang Kartal Beberapa Provinsi di Pulau Jawa Menggunakan RStudio
Nurul Izzah, Prof. Dr. Suhartono, M.Kom
11 Maret 2022
Lembaga : Universitas Islam Negeri Maulana Malik Ibrahim Malang
Jurusan : Teknik Informatika
1. Mengenal Pivot Table
Pivot Table berisi ringkasan data yang dikemas dalam sebuah tabel utuk membuat laporan dan menganalisanya dengan melihat perbandingan, pola, dan tren pada data. Pivot dirancang untuk mempermudah menampilkan data query dalam jumlah besar.
Pada halaman ini terdapat data inflow uang kartal beberapa provinsi di pulau Jawa yang mana nantinya akan ditampilkan dalam bentuk pivot tabel menggunakan fungsi pivot longer(). pivot longer() merupakan tabel dataset yang akan menampilkan data yang memanjang dan kolom yang lebih sedikit. Fungsi ini biasa digunakan untuk menampilkan dataset dengan jangkauan yang luas.
2. Pivot Table Data Inflow di Pulau Jawa
library(readxl)## Warning: package 'readxl' was built under R version 4.1.2datainflowjawa <- read_excel(path = "C:/Users/User/Documents/SEMESTER 2/LINEAR ALGEBRA/pivot inflow jawa.xlsx")
datainflowjawa## # 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 Jawa 1.24e5 1.60e5 1.35e5 2.17e5 2.30e5 2.62e5 2.78e5 3.07e5 3.25e5 2.59e5
## 2 Jawa Ba~ 4.38e4 6.06e4 3.52e4 7.87e4 8.13e4 8.80e4 8.32e4 8.72e4 9.48e4 7.69e4
## 3 Jawa Te~ 3.51e4 4.33e4 4.22e4 6.05e4 6.52e4 7.28e4 7.70e4 8.78e4 9.08e4 8.50e4
## 4 Yogyaka~ 6.49e3 9.17e3 8.94e3 1.39e4 1.48e4 1.74e4 1.75e4 2.06e4 2.09e4 7.35e3
## 5 Jawa Ti~ 3.85e4 4.74e4 4.87e4 6.43e4 6.88e4 8.34e4 9.84e4 1.06e5 1.14e5 8.68e4
## 6 Banten 0 0 0 0 0 0 1.49e3 4.83e3 4.48e3 3.40e3
## # ... with 1 more variable: 2021 <dbl>library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.4 v dplyr 1.0.7
## v tidyr 1.1.3 v stringr 1.4.0
## v readr 2.0.1 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()3. Kasus Data Inflow di Pulau Jawa Selama Periode 2011-2021
datalongerjawa <- datainflowjawa %>%
pivot_longer(!Provinsi, names_to = "Tahun", values_to = "Kasus")
datalongerjawa## # A tibble: 66 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa 2011 123917.
## 2 Jawa 2012 160482.
## 3 Jawa 2013 134998.
## 4 Jawa 2014 217303.
## 5 Jawa 2015 230141.
## 6 Jawa 2016 261607.
## 7 Jawa 2017 277609.
## 8 Jawa 2018 306911.
## 9 Jawa 2019 324624.
## 10 Jawa 2020 259444.
## # ... with 56 more rows4. Pivot Data Inflow di Pulau Jawa Berdasarkan Kasus
library(dplyr)
jawa2 <- select(datalongerjawa, Provinsi, Kasus)
jawa2## # A tibble: 66 x 2
## Provinsi Kasus
## <chr> <dbl>
## 1 Jawa 123917.
## 2 Jawa 160482.
## 3 Jawa 134998.
## 4 Jawa 217303.
## 5 Jawa 230141.
## 6 Jawa 261607.
## 7 Jawa 277609.
## 8 Jawa 306911.
## 9 Jawa 324624.
## 10 Jawa 259444.
## # ... with 56 more rowsKasus Data Inflow di Provinsi Jawa Barat Periode 2011-2021
library(dplyr)
jabar <- datalongerjawa %>%
filter(Provinsi == 'Jawa Barat') %>%
select('Provinsi', 'Tahun', 'Kasus')
jabar## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Barat 2011 43775.
## 2 Jawa Barat 2012 60629.
## 3 Jawa Barat 2013 35190.
## 4 Jawa Barat 2014 78660.
## 5 Jawa Barat 2015 81303.
## 6 Jawa Barat 2016 88036.
## 7 Jawa Barat 2017 83220.
## 8 Jawa Barat 2018 87243.
## 9 Jawa Barat 2019 94846.
## 10 Jawa Barat 2020 76883.
## 11 Jawa Barat 2021 57295.Kasus Data Inflow di Provinsi Jawa Barat pada Tahun 2021
jabar2 <- datalongerjawa %>%
filter(Provinsi == 'Jawa Barat', Tahun == '2021') %>%
select('Provinsi', 'Tahun', 'Kasus')
jabar2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Barat 2021 57295.Kasus Data Inflow di Provinsi Jawa Tengah Periode 2011-2021
library(dplyr)
jateng <- datalongerjawa %>%
filter(Provinsi == 'Jawa Tengah') %>%
select('Provinsi', 'Tahun', 'Kasus')
jateng## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Tengah 2011 35137.
## 2 Jawa Tengah 2012 43298.
## 3 Jawa Tengah 2013 42182.
## 4 Jawa Tengah 2014 60476.
## 5 Jawa Tengah 2015 65198.
## 6 Jawa Tengah 2016 72782.
## 7 Jawa Tengah 2017 77031.
## 8 Jawa Tengah 2018 87829.
## 9 Jawa Tengah 2019 90751.
## 10 Jawa Tengah 2020 84970.
## 11 Jawa Tengah 2021 62024.Kasus Data Inflow di Provinsi Jawa Tengah pada Tahun 2020
jateng2 <- datalongerjawa %>%
filter(Provinsi == 'Jawa Tengah', Tahun == '2020') %>%
select('Provinsi', 'Tahun', 'Kasus')
jateng2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Tengah 2020 84970.Kasus Data Inflow di Provinsi Yogyakarta Periode 2011-2021
library(dplyr)
jogja <- datalongerjawa %>%
filter(Provinsi == 'Yogyakarta') %>%
select('Provinsi', 'Tahun', 'Kasus')
jogja## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Yogyakarta 2011 6490.
## 2 Yogyakarta 2012 9173.
## 3 Yogyakarta 2013 8939.
## 4 Yogyakarta 2014 13890.
## 5 Yogyakarta 2015 14831.
## 6 Yogyakarta 2016 17350.
## 7 Yogyakarta 2017 17483.
## 8 Yogyakarta 2018 20574.
## 9 Yogyakarta 2019 20899.
## 10 Yogyakarta 2020 7348.
## 11 Yogyakarta 2021 6714.Kasus Data Inflow di Provinsi Yogyakarta pada Tahun 2019
jogja2 <- datalongerjawa %>%
filter(Provinsi == 'Yogyakarta', Tahun == '2019') %>%
select('Provinsi', 'Tahun', 'Kasus')
jogja2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Yogyakarta 2019 20899.Kasus Data Inflow di Provinsi Jawa Timur Periode 2011-2021
library(dplyr)
jatim <- datalongerjawa %>%
filter(Provinsi == 'Jawa Timur') %>%
select('Provinsi', 'Tahun', 'Kasus')
jatim## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Timur 2011 38515.
## 2 Jawa Timur 2012 47383.
## 3 Jawa Timur 2013 48687.
## 4 Jawa Timur 2014 64276.
## 5 Jawa Timur 2015 68808.
## 6 Jawa Timur 2016 83439.
## 7 Jawa Timur 2017 98380.
## 8 Jawa Timur 2018 106433.
## 9 Jawa Timur 2019 113651.
## 10 Jawa Timur 2020 86848.
## 11 Jawa Timur 2021 58986.Kasus Data Inflow di Provinsi Jawa Timur pada Tahun 2018
jatim2 <- datalongerjawa %>%
filter(Provinsi == 'Jawa Timur', Tahun == '2018') %>%
select('Provinsi', 'Tahun', 'Kasus')
jatim2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Timur 2018 106433.Kasus Data Inflow di Provinsi Banten Periode 2011-2021
library(dplyr)
banten <- datalongerjawa %>%
filter(Provinsi == 'Banten') %>%
select('Provinsi', 'Tahun', 'Kasus')
banten## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Banten 2011 0
## 2 Banten 2012 0
## 3 Banten 2013 0
## 4 Banten 2014 0
## 5 Banten 2015 0
## 6 Banten 2016 0
## 7 Banten 2017 1495.
## 8 Banten 2018 4832.
## 9 Banten 2019 4477.
## 10 Banten 2020 3396.
## 11 Banten 2021 2798.Kasus Data Inflow di Provinsi Jawa Barat pada Tahun 2017
banten2 <- datalongerjawa %>%
filter(Provinsi == 'Banten', Tahun == '2017') %>%
select('Provinsi', 'Tahun', 'Kasus')
banten2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Banten 2017 1495.5. Visualisasi Pivot Data Inflow di Pulau Jawa Berdasarkan Provinsi
ggplot(data = datalongerjawa, mapping = aes(x = Tahun, y = Kasus)) +
geom_point(col = "navy") +
facet_wrap( ~ Provinsi) +
theme(axis.text.x = element_text(angle = 90))
6. Visualisasi Pivot Data Inflow di Pulau Jawa Berdasarkan Tahun
ggplot(data = datalongerjawa, mapping = aes(x = Provinsi, y = Kasus)) +
geom_point(col = "maroon") +
facet_wrap( ~ Tahun) +
theme(axis.text.x = element_text(angle = 90))
Sumber :
https://rpubs.com/suhartono-uinmaliki/868629
https://www.bi.go.id/id/statistik/ekonomi-keuangan/ssp/indikator-pengedaran-uang.aspx
https://tidyr.tidyverse.org/articles/pivot.html
summary(cars)## speed dist
## Min. : 4.0 Min. : 2.00
## 1st Qu.:12.0 1st Qu.: 26.00
## Median :15.0 Median : 36.00
## Mean :15.4 Mean : 42.98
## 3rd Qu.:19.0 3rd Qu.: 56.00
## Max. :25.0 Max. :120.00