Pivot dan Visualisasi Data Outflow Uang Kartal di Pulau Jawa Periode Tahun 2011 - 2021
Rafi Ronalda
3/14/2022
Universitas : UIN MAULANA MALIK IBRAHIM MALANG
Jurusan : Teknik Informatika
Pengertian Pivot Table
pivot table adalah ringkasan data yang dikemas dalam tabel interaktif agar memudahkan dan membantu kamu untuk membuat laporan dan menganalisisnya dengan melihat perbandingan data yang kamu miliki.
Singkatnya, gunanya pivot table adalah untuk merangkum, mengelompokkan, mengeksplorasi, mempresentasikan, menghitung, dan menganalisa data.
library(readxl)dataoutflowJawa <- read_excel(path = "OutflowTahunJawa.xlsx")
dataoutflowJawa## # A tibble: 7 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 8.35e4 1.11e5 9.90e4 1.47e5 1.72e5 1.91e5 2.29e5 2.53e5 2.72e5 2.51e5
## 2 Jawa Ba~ 2.08e4 2.89e4 2.31e4 4.09e4 4.71e4 4.94e4 5.38e4 6.14e4 6.17e4 5.72e4
## 3 Jawa Te~ 2.00e4 2.85e4 2.95e4 3.91e4 4.68e4 5.37e4 6.28e4 6.94e4 7.24e4 7.23e4
## 4 Yogyaka~ 7.54e3 9.49e3 9.71e3 1.32e4 1.41e4 1.30e4 1.68e4 2.04e4 2.14e4 1.66e4
## 5 Jawa Ti~ 3.52e4 4.45e4 3.67e4 5.39e4 6.36e4 7.45e4 9.34e4 9.80e4 1.06e5 9.34e4
## 6 Banten 0 0 0 0 0 0 2.11e3 4.05e3 1.10e4 1.18e4
## 7 DKI Jak~ 1.02e5 1.36e5 1.49e5 1.52e5 1.64e5 1.71e5 1.82e5 1.88e5 1.98e5 1.64e5
## # ... 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 3.1.6 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()Kasus Data Outflow Uang Kartal di Pulau Jawa pada Tahun 2011 - 2021
datalongerJawa <- dataoutflowJawa %>%
pivot_longer(!Provinsi, names_to = "Tahun", values_to = "Kasus")
datalongerJawa## # A tibble: 77 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa 2011 83511.
## 2 Jawa 2012 111363.
## 3 Jawa 2013 98969.
## 4 Jawa 2014 147069.
## 5 Jawa 2015 171568.
## 6 Jawa 2016 190568.
## 7 Jawa 2017 228905.
## 8 Jawa 2018 253125.
## 9 Jawa 2019 271957.
## 10 Jawa 2020 251363.
## # ... with 67 more rowsPivot Data Outflow Uang Kartal di Pulau Jawa Berdasarkan Kasus
library(dplyr)Jawa2 <- select(datalongerJawa, Provinsi, Kasus)
Jawa2## # A tibble: 77 x 2
## Provinsi Kasus
## <chr> <dbl>
## 1 Jawa 83511.
## 2 Jawa 111363.
## 3 Jawa 98969.
## 4 Jawa 147069.
## 5 Jawa 171568.
## 6 Jawa 190568.
## 7 Jawa 228905.
## 8 Jawa 253125.
## 9 Jawa 271957.
## 10 Jawa 251363.
## # ... with 67 more rowsKasus Data Outflow uang kartal di Provinsi Jawa Timur Periode 2011-2021
library(dplyr)JawaTimur <- datalongerJawa %>%
filter(Provinsi == 'Jawa Timur') %>%
select('Provinsi', 'Tahun', 'Kasus')
JawaTimur## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Timur 2011 35217.
## 2 Jawa Timur 2012 44489.
## 3 Jawa Timur 2013 36665.
## 4 Jawa Timur 2014 53931.
## 5 Jawa Timur 2015 63585.
## 6 Jawa Timur 2016 74491.
## 7 Jawa Timur 2017 93396.
## 8 Jawa Timur 2018 97995.
## 9 Jawa Timur 2019 105514.
## 10 Jawa Timur 2020 93374.
## 11 Jawa Timur 2021 46029.Kasus Data Outflow uang kartal di Provinsi Jawa Timur Tahun 2012
JawaTimur2 <- datalongerJawa %>%
filter(Provinsi == 'Jawa Timur', Tahun == '2012') %>%
select('Provinsi', 'Tahun', 'Kasus')
JawaTimur2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Timur 2012 44489.Kasus Data Outflow uang kartal di Provinsi Jawa Tengah Periode 2011-2021
library(dplyr)JawaTengah <- datalongerJawa %>%
filter(Provinsi == 'Jawa Tengah') %>%
select('Provinsi', 'Tahun', 'Kasus')
JawaTengah## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Tengah 2011 19975.
## 2 Jawa Tengah 2012 28493.
## 3 Jawa Tengah 2013 29529.
## 4 Jawa Tengah 2014 39110.
## 5 Jawa Tengah 2015 46840.
## 6 Jawa Tengah 2016 53659.
## 7 Jawa Tengah 2017 62761.
## 8 Jawa Tengah 2018 69368.
## 9 Jawa Tengah 2019 72363.
## 10 Jawa Tengah 2020 72342.
## 11 Jawa Tengah 2021 44455.Kasus Data Outflow uang kartal di Provinsi Jawa Tengah Tahun 2014
JawaTengah2 <- datalongerJawa %>%
filter(Provinsi == 'Jawa Tengah', Tahun == '2014') %>%
select('Provinsi', 'Tahun', 'Kasus')
JawaTengah2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Tengah 2014 39110.Kasus Data Outflow uang kartal di Provinsi Jawa Barat Periode 2011-2021
library(dplyr)JawaBarat <- datalongerJawa %>%
filter(Provinsi == 'Jawa Barat') %>%
select('Provinsi', 'Tahun', 'Kasus')
JawaBarat## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Barat 2011 20782.
## 2 Jawa Barat 2012 28895.
## 3 Jawa Barat 2013 23067.
## 4 Jawa Barat 2014 40857.
## 5 Jawa Barat 2015 47063.
## 6 Jawa Barat 2016 49405.
## 7 Jawa Barat 2017 53825.
## 8 Jawa Barat 2018 61358.
## 9 Jawa Barat 2019 61692.
## 10 Jawa Barat 2020 57235.
## 11 Jawa Barat 2021 34763.Kasus Data Outflow uang kartal di Provinsi Jawa Barat Tahun 2016
JawaBarat2 <- datalongerJawa %>%
filter(Provinsi == 'Jawa Barat', Tahun == '2016') %>%
select('Provinsi', 'Tahun', 'Kasus')
JawaBarat2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Barat 2016 49405.Kasus Data Outflow uang kartal di Provinsi Yogyakarta Periode 2011-2021
library(dplyr)Yogyakarta <- datalongerJawa %>%
filter(Provinsi == 'Yogyakarta') %>%
select('Provinsi', 'Tahun', 'Kasus')
Yogyakarta## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Yogyakarta 2011 7538.
## 2 Yogyakarta 2012 9486.
## 3 Yogyakarta 2013 9708.
## 4 Yogyakarta 2014 13171.
## 5 Yogyakarta 2015 14080.
## 6 Yogyakarta 2016 13013.
## 7 Yogyakarta 2017 16810.
## 8 Yogyakarta 2018 20357.
## 9 Yogyakarta 2019 21353.
## 10 Yogyakarta 2020 16619.
## 11 Yogyakarta 2021 9652.Kasus Data Outflow uang kartal di Provinsi Yogyakarta Tahun 2018
Yogyakarta2 <- datalongerJawa %>%
filter(Provinsi == 'Yogyakarta', Tahun == '2018') %>%
select('Provinsi', 'Tahun', 'Kasus')
Yogyakarta2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Yogyakarta 2018 20357.Kasus Data Outflow uang kartal 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 2113.
## 8 Banten 2018 4047.
## 9 Banten 2019 11035.
## 10 Banten 2020 11793.
## 11 Banten 2021 8441.Kasus Data Outflow uang kartal di Provinsi Banten Tahun 2020
Banten2 <- datalongerJawa %>%
filter(Provinsi == 'Banten', Tahun == '2020') %>%
select('Provinsi', 'Tahun', 'Kasus')
Banten2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Banten 2020 11793.Kasus Data Outflow uang kartal di Provinsi DKI Jakarta Periode 2011-2021
library(dplyr)DKIJakarta <- datalongerJawa %>%
filter(Provinsi == 'DKI Jakarta') %>%
select('Provinsi', 'Tahun', 'Kasus')
DKIJakarta## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 DKI Jakarta 2011 101604.
## 2 DKI Jakarta 2012 136467.
## 3 DKI Jakarta 2013 149241.
## 4 DKI Jakarta 2014 152276.
## 5 DKI Jakarta 2015 163750.
## 6 DKI Jakarta 2016 170614.
## 7 DKI Jakarta 2017 181553.
## 8 DKI Jakarta 2018 187820.
## 9 DKI Jakarta 2019 197818.
## 10 DKI Jakarta 2020 163779.
## 11 DKI Jakarta 2021 94033.Kasus Data Outflow uang kartal di Provinsi DKI Jakarta Tahun 2021
DKIJakarta2 <- datalongerJawa %>%
filter(Provinsi == 'DKI Jakarta', Tahun == '2021') %>%
select('Provinsi', 'Tahun', 'Kasus')
DKIJakarta2## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 DKI Jakarta 2021 94033.Hasil Visualisasi dimasing-masing Provinsi
ggplot(data = datalongerJawa, mapping = aes(x = Tahun, y = Kasus)) +
geom_point(col = "red") +
facet_wrap( ~ Provinsi) +
theme(axis.text.x = element_text(angle = 90))