Manipulasi dan Visualisasi Data Inflow Uang Kartal Wilayah BaliNusra per-Tahun

• Apa itu Manipulasi Data?
  • Manipulasi Data menggunakan package dplyr dan tidyverse pada software R
  • Struktur Data Inflow Uang Kartal di Wilayah Bali-Nusa Tenggara
• Visualisasi Data Inflow Uang Kartal per-Tahun wilayah Bali-Nusa Tenggara
  • Visualisasi Data Inflow dengan Menjumlah/Menggabungkan antara tahun 2011 dan 2012
• Referensi

Dosen Pengampu : Prof. Dr. Suhartono, M.Kom

Mata Kuliah : Linier Algebra

Prodi : Teknik Informatika

Lembaga : Universitas Islam Negeri Maulana Malik Ibrahim Malang

Apa itu Manipulasi Data?

Untuk mengetehui tentang manipulasi data maka kita tinjau dulu dari pengertian Manipulasi itu sendiri. Manipulasi adalah sebuah proses rekayasa yang secara disengaja dengan melakukan penambahan, penyembunyian, penghilangan atau pengkaburan terhadap bagian atau keseluruhan sebuah sumber informasi, subtansi, realitas, kenyataan, fakta-fakta, data ataupun sejarah yang dibuat berdasarkan sistem perancangan yang bisa dilakukan secara individu, kelompok atau sebuah tata sistem nilai. Sehingga dapat diartikan manipulasi data adalah sebuah istilah tentang penggambaran dari proses pengubahan struktur data supaya jadi lebih mudah dibaca dan lebih terorganisir.

Manipulasi adalah bagian penting dari suatu tujuan tertentu dalam hal tindakan penanaman gagasan, dogma, doktrinisme, sikap, sistem berpikir, perilaku dan kepercayaan tertentu.

Salah satu cara memanipulasi data adalah dengan package “dplyr” pada software R.

Manipulasi Data menggunakan package dplyr dan tidyverse pada software R

  Disini saya mangmbil data dari excel, dimana datanya berisikan Inflow uang kartal dari wilayah Bali-Nusa Tenggara. Data uang kartal inflow wilayah Bali-Nusa Tenggara ini bisa didapat melalui web Bank Indonesia. Inflow merupakan uang yang masuk ke BI melalui kegiatan penyetoran. Data yang saya ambil adalah per-Tahun mulai dari tahun 2011-2021

Berikut contoh proses me-Manipulasi Data Uang Kartal Inflow di wilayah Bali-Nusa Tenggara :

Memanggil data dari excel

library(readxl)

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

InBaliNusra <- read_excel("InBaliNusra.xlsx")
InBaliNusra

## # A tibble: 5 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 <NA>        NA     NA     NA     NA     NA     NA     NA     NA     NA     NA 
## 2 Bali Nu~ 10322. 14613. 17512. 20807. 23008. 30965. 30797. 33866. 38116. 29400.
## 3 Bali      6394.  8202.  5066. 11590. 13072. 17914. 16962. 18610. 21422. 14735.
## 4 Nusa Te~  1803.  3676.  7024.  5704.  6285.  8842.  8383.  9140.  9614.  8007.
## 5 Nusa Te~  2125.  2735.  5422.  3512.  3651.  4210.  5452.  6116.  7080.  6657.
## # ... with 1 more variable: `2021` <dbl>

Memanggil data tahun dan memilih sesuai keinginan

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  3.1.6     v dplyr   1.0.8
## v tidyr   1.2.0     v stringr 1.4.0
## v readr   2.1.2     v forcats 0.5.1

## Warning: package 'ggplot2' was built under R version 4.1.2

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

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

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

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

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

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

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

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

BaliNusra2020 <- select(InBaliNusra, '2020')
BaliNusra2020

## # A tibble: 5 x 1
##   `2020`
##    <dbl>
## 1    NA 
## 2 29400.
## 3 14735.
## 4  8007.
## 5  6657.

Menghilangkan tahun sesuai pilihan

library(tidyverse)
BaliNusranon2020 <- select(InBaliNusra, -'2020')
BaliNusranon2020

## # A tibble: 5 x 11
##   Provinsi `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018` `2019` `2021`
##   <chr>     <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 <NA>        NA     NA     NA     NA     NA     NA     NA     NA     NA     NA 
## 2 Bali Nu~ 10322. 14613. 17512. 20807. 23008. 30965. 30797. 33866. 38116. 18892.
## 3 Bali      6394.  8202.  5066. 11590. 13072. 17914. 16962. 18610. 21422.  7505.
## 4 Nusa Te~  1803.  3676.  7024.  5704.  6285.  8842.  8383.  9140.  9614.  5888.
## 5 Nusa Te~  2125.  2735.  5422.  3512.  3651.  4210.  5452.  6116.  7080.  5498.

Memanggil dan Memilih tahun kemudian mengganti sesuai keinginan

BaliNusra2021 <- InBaliNusra %>% select('2021')
BaliNusra2021

## # A tibble: 5 x 1
##   `2021`
##    <dbl>
## 1    NA 
## 2 18892.
## 3  7505.
## 4  5888.
## 5  5498.

library(dplyr)
BaliNusratahun <- InBaliNusra %>% rename('2022' = '2021')
head(BaliNusratahun)

## # A tibble: 5 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 <NA>        NA     NA     NA     NA     NA     NA     NA     NA     NA     NA 
## 2 Bali Nu~ 10322. 14613. 17512. 20807. 23008. 30965. 30797. 33866. 38116. 29400.
## 3 Bali      6394.  8202.  5066. 11590. 13072. 17914. 16962. 18610. 21422. 14735.
## 4 Nusa Te~  1803.  3676.  7024.  5704.  6285.  8842.  8383.  9140.  9614.  8007.
## 5 Nusa Te~  2125.  2735.  5422.  3512.  3651.  4210.  5452.  6116.  7080.  6657.
## # ... with 1 more variable: `2022` <dbl>

library(dplyr)
BNT_Bali <- InBaliNusra %>%
    filter(Provinsi == 'Bali') %>%
    select('2014','2015')
BNT_Bali

## # A tibble: 1 x 2
##   `2014` `2015`
##    <dbl>  <dbl>
## 1 11590. 13072.

library(dplyr)
BNT_Baliup1 <- InBaliNusra %>%
    filter(Provinsi == 'Bali', Provinsi == 'Nusa Tenggara Barat') %>%
    select('2014','2015')
BNT_Baliup1

## # A tibble: 0 x 2
## # ... with 2 variables: 2014 <dbl>, 2015 <dbl>

Struktur Data Inflow Uang Kartal di Wilayah Bali-Nusa Tenggara

str(InBaliNusra)

## tibble [5 x 12] (S3: tbl_df/tbl/data.frame)
##  $ Provinsi: chr [1:5] NA "Bali Nusra" "Bali" "Nusa Tenggara Barat" ...
##  $ 2011    : num [1:5] NA 10322 6394 1803 2125
##  $ 2012    : num [1:5] NA 14613 8202 3676 2735
##  $ 2013    : num [1:5] NA 17512 5066 7024 5422
##  $ 2014    : num [1:5] NA 20807 11590 5704 3512
##  $ 2015    : num [1:5] NA 23008 13072 6285 3651
##  $ 2016    : num [1:5] NA 30965 17914 8842 4210
##  $ 2017    : num [1:5] NA 30797 16962 8383 5452
##  $ 2018    : num [1:5] NA 33866 18610 9140 6116
##  $ 2019    : num [1:5] NA 38116 21422 9614 7080
##  $ 2020    : num [1:5] NA 29400 14735 8007 6657
##  $ 2021    : num [1:5] NA 18892 7505 5888 5498

str(InBaliNusra %>% group_by(Provinsi))

## grouped_df [5 x 12] (S3: grouped_df/tbl_df/tbl/data.frame)
##  $ Provinsi: chr [1:5] NA "Bali Nusra" "Bali" "Nusa Tenggara Barat" ...
##  $ 2011    : num [1:5] NA 10322 6394 1803 2125
##  $ 2012    : num [1:5] NA 14613 8202 3676 2735
##  $ 2013    : num [1:5] NA 17512 5066 7024 5422
##  $ 2014    : num [1:5] NA 20807 11590 5704 3512
##  $ 2015    : num [1:5] NA 23008 13072 6285 3651
##  $ 2016    : num [1:5] NA 30965 17914 8842 4210
##  $ 2017    : num [1:5] NA 30797 16962 8383 5452
##  $ 2018    : num [1:5] NA 33866 18610 9140 6116
##  $ 2019    : num [1:5] NA 38116 21422 9614 7080
##  $ 2020    : num [1:5] NA 29400 14735 8007 6657
##  $ 2021    : num [1:5] NA 18892 7505 5888 5498
##  - attr(*, "groups")= tibble [5 x 2] (S3: tbl_df/tbl/data.frame)
##   ..$ Provinsi: chr [1:5] "Bali" "Bali Nusra" "Nusa Tenggara Barat" "Nusa Tenggara Timur" ...
##   ..$ .rows   : list<int> [1:5] 
##   .. ..$ : int 3
##   .. ..$ : int 2
##   .. ..$ : int 4
##   .. ..$ : int 5
##   .. ..$ : int 1
##   .. ..@ ptype: int(0) 
##   ..- attr(*, ".drop")= logi TRUE

Bali_Nusraup5 <- InBaliNusra %>%
    group_by(Provinsi)
Bali_Nusraup5

## # A tibble: 5 x 12
## # Groups:   Provinsi [5]
##   Provinsi `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018` `2019` `2020`
##   <chr>     <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 <NA>        NA     NA     NA     NA     NA     NA     NA     NA     NA     NA 
## 2 Bali Nu~ 10322. 14613. 17512. 20807. 23008. 30965. 30797. 33866. 38116. 29400.
## 3 Bali      6394.  8202.  5066. 11590. 13072. 17914. 16962. 18610. 21422. 14735.
## 4 Nusa Te~  1803.  3676.  7024.  5704.  6285.  8842.  8383.  9140.  9614.  8007.
## 5 Nusa Te~  2125.  2735.  5422.  3512.  3651.  4210.  5452.  6116.  7080.  6657.
## # ... with 1 more variable: `2021` <dbl>

InBaliNusra %>%
    filter(Provinsi == 'Nusa Tenggara Barat') %>%
    count('2011', sort = TRUE)

## # A tibble: 1 x 2
##   `"2011"`     n
##   <chr>    <int>
## 1 2011         1

BTN_Baliacehup1 <- InBaliNusra %>%
    mutate('2010' = InBaliNusra$'2011'/2)
BTN_Baliacehup1

## # A tibble: 5 x 13
##   Provinsi `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018` `2019` `2020`
##   <chr>     <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 <NA>        NA     NA     NA     NA     NA     NA     NA     NA     NA     NA 
## 2 Bali Nu~ 10322. 14613. 17512. 20807. 23008. 30965. 30797. 33866. 38116. 29400.
## 3 Bali      6394.  8202.  5066. 11590. 13072. 17914. 16962. 18610. 21422. 14735.
## 4 Nusa Te~  1803.  3676.  7024.  5704.  6285.  8842.  8383.  9140.  9614.  8007.
## 5 Nusa Te~  2125.  2735.  5422.  3512.  3651.  4210.  5452.  6116.  7080.  6657.
## # ... with 2 more variables: `2021` <dbl>, `2010` <dbl>

Visualisasi Data Inflow Uang Kartal per-Tahun wilayah Bali-Nusa Tenggara

ggplot(data = InBaliNusra, mapping = aes(x = Provinsi, y = `2011`)) +
  geom_point()

## Warning: Removed 1 rows containing missing values (geom_point).

ggplot(data = InBaliNusra, mapping = aes(x = Provinsi, y = `2011`, color=`2011`)) +
  geom_point()

## Warning: Removed 1 rows containing missing values (geom_point).

ggplot(data = InBaliNusra)+
  geom_point(mapping = aes(x = Provinsi, y = `2012`, color=`2012`))

## Warning: Removed 1 rows containing missing values (geom_point).

ggplot(data = InBaliNusra)+
  geom_point(mapping = aes(x = Provinsi, y = `2013`, color=`2013`)) 

## Warning: Removed 1 rows containing missing values (geom_point).

Visualisasi Data Inflow dengan Menjumlah/Menggabungkan antara tahun 2011 dan 2012

ggplot(data = InBaliNusra, mapping = aes(x = Provinsi, y = `2011`+`2012`, color=`2011`+ `2012`)) +
  geom_point()

## Warning: Removed 1 rows containing missing values (geom_point).

Referensi

• https://rpubs.com/suhartono-uinmaliki/868598

• https://www.bi.go.id/id/statistik/ekonomi-keuangan/ssp/indikator-pengedaran-uang.aspx

• https://inmarketing.id/data-manipulation-adalah.html

• https://id.wikipedia.org/wiki/Manipulasi

• https://laugiwa.medium.com/manipulasi-data-dengan-dplyr-part1-fb6f52c26576