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 PDRB per kapita harga konstan Bojonegoro dengan Tuban 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_PDRB_Bjn <-data.frame(Tahun = c('2011', '2012', '2013', '2014', '2015', '2016', '2017', '2018', '2019', '2020'),
PDRB_Bjn = c(30178.8, 31179.9, 31798.8, 32404.1, 37920.8, 46104, 50684.3, 52798.9, 56002.3, 55672.8),
stringsAsFactors = FALSE)
data_PDRB_Bjn
## Tahun PDRB_Bjn
## 1 2011 30178.8
## 2 2012 31179.9
## 3 2013 31798.8
## 4 2014 32404.1
## 5 2015 37920.8
## 6 2016 46104.0
## 7 2017 50684.3
## 8 2018 52798.9
## 9 2019 56002.3
## 10 2020 55672.8
plot(data_PDRB_Bjn$PDRB_Bjn,type = "o", col= "green")
data_PDRB_Tbn <-data.frame(Tahun = c('2011', '2012', '2013', '2015', '2016', '2017', '2018', '2019', '2020', '2021'),
PDRB_Tbn = c(26540.2, 28041.8, 29504, 30965, 32315.1, 33737.7, 35258.9, 36940.2, 38673.7, 36282.4),
stringsAsFactors = FALSE)
data_PDRB_Tbn
## Tahun PDRB_Tbn
## 1 2011 26540.2
## 2 2012 28041.8
## 3 2013 29504.0
## 4 2015 30965.0
## 5 2016 32315.1
## 6 2017 33737.7
## 7 2018 35258.9
## 8 2019 36940.2
## 9 2020 38673.7
## 10 2021 36282.4
plot(data_PDRB_Tbn$PDRB_Tbn,type = "o", col= "yellow")
library(dplyr)
InnerJoin <- data_PDRB_Bjn %>%
inner_join(data_PDRB_Tbn, by = "Tahun")
InnerJoin
## Tahun PDRB_Bjn PDRB_Tbn
## 1 2011 30178.8 26540.2
## 2 2012 31179.9 28041.8
## 3 2013 31798.8 29504.0
## 4 2015 37920.8 30965.0
## 5 2016 46104.0 32315.1
## 6 2017 50684.3 33737.7
## 7 2018 52798.9 35258.9
## 8 2019 56002.3 36940.2
## 9 2020 55672.8 38673.7
Leftjoin <- left_join(data_PDRB_Bjn,data_PDRB_Tbn)
## Joining, by = "Tahun"
Leftjoin
## Tahun PDRB_Bjn PDRB_Tbn
## 1 2011 30178.8 26540.2
## 2 2012 31179.9 28041.8
## 3 2013 31798.8 29504.0
## 4 2014 32404.1 NA
## 5 2015 37920.8 30965.0
## 6 2016 46104.0 32315.1
## 7 2017 50684.3 33737.7
## 8 2018 52798.9 35258.9
## 9 2019 56002.3 36940.2
## 10 2020 55672.8 38673.7
Rightjoin <- right_join(data_PDRB_Bjn,data_PDRB_Tbn)
## Joining, by = "Tahun"
Rightjoin
## Tahun PDRB_Bjn PDRB_Tbn
## 1 2011 30178.8 26540.2
## 2 2012 31179.9 28041.8
## 3 2013 31798.8 29504.0
## 4 2015 37920.8 30965.0
## 5 2016 46104.0 32315.1
## 6 2017 50684.3 33737.7
## 7 2018 52798.9 35258.9
## 8 2019 56002.3 36940.2
## 9 2020 55672.8 38673.7
## 10 2021 NA 36282.4
fullJoin <- full_join(data_PDRB_Bjn,data_PDRB_Tbn)
## Joining, by = "Tahun"
fullJoin
## Tahun PDRB_Bjn PDRB_Tbn
## 1 2011 30178.8 26540.2
## 2 2012 31179.9 28041.8
## 3 2013 31798.8 29504.0
## 4 2014 32404.1 NA
## 5 2015 37920.8 30965.0
## 6 2016 46104.0 32315.1
## 7 2017 50684.3 33737.7
## 8 2018 52798.9 35258.9
## 9 2019 56002.3 36940.2
## 10 2020 55672.8 38673.7
## 11 2021 NA 36282.4
plot(InnerJoin$PDRB_Bjn,type = "o", col= "green")
lines(InnerJoin$PDRB_Tbn, ,type = "o", col= "yellow")
legend("top",c("Data PDRB Bjn ","Data PDRB Tbn"),fill=c("green", "yellow"))