Dosen Pengampu : Prof. Dr. Suhartono, M.Kom
Mata Kuliah : Linear Algebra
Prodi : Teknik Informatika
Lembaga : Universitas Islam Negeri Maulana Malik Ibrahim Malang
Relational data set merupakan kumpulan item data yang memiliki perpaduan yang telah ditentukan sebelumnya. Berbagai item diatur sebagai satu set tabel menggunakan kolom dan baris. Tabel digunakan untuk menyimpan informasi tentang objek yang ditampilkan dalam database. Tiap kolom dalam tabel memuat tipe data eksklusif dan bidang tersebut menyimpan nilai aktual atribut. Baris dalam tabel mempresentasikan perpaduan nilai terkait berdasarkan satu objek. Tiap baris pada tabel dapat ditandai dengan pengidentifikasian unik yang disebut kunci utama (keyword) dan baris diantara beberapa tabel dapat dibuat saling terikat menggunakan kunci asing. Berikut relasional data set pertumbuhan ekonomi Indonesia dengan Malaysia tahun 2011-2021 menggunakan bahasa pemrograman R.
library(tidyverse)
## -- 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
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()
data_PEI <-data.frame(Tahun = c('2011', '2012', '2013', '2014', '2015', '2016', '2017', '2018', '2019', '2020'),
PEI = c(6.17, 6.03, 5.56, 5.01, 4.88, 5.03, 5.07, 5.17, 5.03, -1.50),
stringsAsFactors = FALSE)
data_PEI
## Tahun PEI
## 1 2011 6.17
## 2 2012 6.03
## 3 2013 5.56
## 4 2014 5.01
## 5 2015 4.88
## 6 2016 5.03
## 7 2017 5.07
## 8 2018 5.17
## 9 2019 5.03
## 10 2020 -1.50
plot(data_PEI$PEI,type = "o", col= "blue")
data_PEM <-data.frame(Tahun = c('2011', '2012', '2013', '2015', '2016', '2017', '2018', '2019', '2020', '2021'),
PEM = c(5.29, 5.47, 4.69, 6.01, 5.01, 4.45, 5.81, 4.77, 4.30, -6),
stringsAsFactors = FALSE)
data_PEM
## Tahun PEM
## 1 2011 5.29
## 2 2012 5.47
## 3 2013 4.69
## 4 2015 6.01
## 5 2016 5.01
## 6 2017 4.45
## 7 2018 5.81
## 8 2019 4.77
## 9 2020 4.30
## 10 2021 -6.00
plot(data_PEM$PEM,type = "o", col= "red")
library(dplyr)
InnerJoin <- data_PEI %>%
inner_join(data_PEM, by = "Tahun")
InnerJoin
## Tahun PEI PEM
## 1 2011 6.17 5.29
## 2 2012 6.03 5.47
## 3 2013 5.56 4.69
## 4 2015 4.88 6.01
## 5 2016 5.03 5.01
## 6 2017 5.07 4.45
## 7 2018 5.17 5.81
## 8 2019 5.03 4.77
## 9 2020 -1.50 4.30
Leftjoin <- left_join(data_PEI,data_PEM)
## Joining, by = "Tahun"
Leftjoin
## Tahun PEI PEM
## 1 2011 6.17 5.29
## 2 2012 6.03 5.47
## 3 2013 5.56 4.69
## 4 2014 5.01 NA
## 5 2015 4.88 6.01
## 6 2016 5.03 5.01
## 7 2017 5.07 4.45
## 8 2018 5.17 5.81
## 9 2019 5.03 4.77
## 10 2020 -1.50 4.30
Rightjoin <- right_join(data_PEI,data_PEM)
## Joining, by = "Tahun"
Rightjoin
## Tahun PEI PEM
## 1 2011 6.17 5.29
## 2 2012 6.03 5.47
## 3 2013 5.56 4.69
## 4 2015 4.88 6.01
## 5 2016 5.03 5.01
## 6 2017 5.07 4.45
## 7 2018 5.17 5.81
## 8 2019 5.03 4.77
## 9 2020 -1.50 4.30
## 10 2021 NA -6.00
fullJoin <- full_join(data_PEI,data_PEM)
## Joining, by = "Tahun"
fullJoin
## Tahun PEI PEM
## 1 2011 6.17 5.29
## 2 2012 6.03 5.47
## 3 2013 5.56 4.69
## 4 2014 5.01 NA
## 5 2015 4.88 6.01
## 6 2016 5.03 5.01
## 7 2017 5.07 4.45
## 8 2018 5.17 5.81
## 9 2019 5.03 4.77
## 10 2020 -1.50 4.30
## 11 2021 NA -6.00
plot(InnerJoin$PEI,type = "o", col= "blue")
lines(InnerJoin$PEM, ,type = "o", col= "red")
legend("top",c("Data PEI ","Data PEM"),fill=c("blue", "red"))