Manipulasi dan Visualisasi Data Inflow Uang Kartal di Pulau Jawa 2011-2021
Nurhisam Ari Kusnaini, Dosen Pengampu : Prof. Dr. Suhartono, M.kom
2022-03-17
Manipulasi Data dengan dplyr
Dalam melakukan manipulasi data di R kita dapat menggunakan package dplyr. Package ini dibuat oleh Handley Wickham dan Roman Francois yang berisi kumpulan fungsi yang memudahkan manipulasi data yaitu antara lain:
sample() untuk mengambil sampel secara acak dari
tabel
mutate() untuk menambah kolom
select() untuk mengambil data atau variabel yang
dibutuhkan
arrange() untuk mengurutkan data
filter() untuk menyaring data
groupby() untuk mengelompokkan data
Beberapa alasan mengapa dplyr digunakan ketika melakukan manipulasi data yaitu pemrosesannya cepat sehingga meminimalisir waktu, kode yang simpel sehingga mudah dimengerti, dan penggunaan fungsi yang sistematis sehingga kode lebih rapi. Cara menginstall package dplyr yaitu sebagai berikut:
install.package(dplyr)
Sedangkan untuk memanggil dplyr yaitu dengan sintaks:
library(dplyr)
Beberapa alasan mengapa dplyr digunakan ketika melakukan manipulasi data yaitu pemrosesannya cepat sehingga meminimalisir waktu, kode yang simpel sehingga mudah dimengerti, dan penggunaan fungsi yang sistematis sehingga kode lebih rapi.
library(readxl)## Warning: package 'readxl' was built under R version 4.1.3datainflowjawa <- read_excel(path = "datajawa.xlsx")
datainflowjawa## # A tibble: 7 x 12
## Keterangan `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018`
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 DKI Jakarta 101604. 136467. 149241. 152276. 163750. 170614. 181553. 187820.
## 2 Jawa 83511. 111363. 98969. 147069. 171568. 190568. 228905. 253125.
## 3 Jawa Barat 20782. 28895. 23067. 40857. 47063. 49405. 53825. 61358.
## 4 Jawa Tengah 19975. 28493. 29529. 39110. 46840. 53659. 62761. 69368.
## 5 Yogyakarta 7538. 9486. 9708. 13171. 14080. 13013. 16810. 20357.
## 6 Jawa Timur 35217. 44489. 36665. 53931. 63585. 74491. 93396. 97995.
## 7 Banten NA NA NA NA NA NA 2113. 4047.
## # ... with 3 more variables: `2019` <dbl>, `2020` <dbl>, `2021` <dbl>library(tidyverse)## Warning: package 'tidyverse' was built under R version 4.1.3## -- 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 4.1.3## Warning: package 'tibble' was built under R version 4.1.3## Warning: package 'tidyr' was built under R version 4.1.3## Warning: package 'readr' was built under R version 4.1.3## Warning: package 'purrr' was built under R version 4.1.3## Warning: package 'dplyr' was built under R version 4.1.3## Warning: package 'stringr' was built under R version 4.1.3## Warning: package 'forcats' was built under R version 4.1.3## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()Memilih atau membuang beberapa variabel yang tidak digunakan
jawa <- dplyr::select(datainflowjawa, `2020`)
jawa## # A tibble: 7 x 1
## `2020`
## <dbl>
## 1 163779.
## 2 251363.
## 3 57235.
## 4 72342.
## 5 16619.
## 6 93374.
## 7 11793.jawa <- dplyr::select(datainflowjawa, `2011`, `2013`, `2015`, `2019`, `2021`)
jawa## # A tibble: 7 x 5
## `2011` `2013` `2015` `2019` `2021`
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 101604. 149241. 163750. 197818. 94033.
## 2 83511. 98969. 171568. 271957. 143340.
## 3 20782. 23067. 47063. 61692. 34763.
## 4 19975. 29529. 46840. 72363. 44455.
## 5 7538. 9708. 14080. 21353. 9652.
## 6 35217. 36665. 63585. 105514. 46029.
## 7 NA NA NA 11035. 8441.Jika variabel yang ingin Anda pilih cukup banyak sedangkan variabel yang ingin Anda buang lebih sedikit, Anda dapat menuliskan nama variabel dengan menambahkan tanda negatif (-) di depan nama atau indeks masing-masing variabel.
jawa <- dplyr::select(datainflowjawa, -`2020`)
jawa## # A tibble: 7 x 11
## Keterangan `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018`
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 DKI Jakarta 101604. 136467. 149241. 152276. 163750. 170614. 181553. 187820.
## 2 Jawa 83511. 111363. 98969. 147069. 171568. 190568. 228905. 253125.
## 3 Jawa Barat 20782. 28895. 23067. 40857. 47063. 49405. 53825. 61358.
## 4 Jawa Tengah 19975. 28493. 29529. 39110. 46840. 53659. 62761. 69368.
## 5 Yogyakarta 7538. 9486. 9708. 13171. 14080. 13013. 16810. 20357.
## 6 Jawa Timur 35217. 44489. 36665. 53931. 63585. 74491. 93396. 97995.
## 7 Banten NA NA NA NA NA NA 2113. 4047.
## # ... with 2 more variables: `2019` <dbl>, `2021` <dbl>Selain memilih kolom, select() juga dapat digunakan
untuk mengubah nama kolom, misalnya
jawa <- datainflowjawa %>%
dplyr::select(tahun = `2014`, `2015`, `2016`)
jawa## # A tibble: 7 x 3
## tahun `2015` `2016`
## <dbl> <dbl> <dbl>
## 1 152276. 163750. 170614.
## 2 147069. 171568. 190568.
## 3 40857. 47063. 49405.
## 4 39110. 46840. 53659.
## 5 13171. 14080. 13013.
## 6 53931. 63585. 74491.
## 7 NA NA NAMengambil nilai unik (tidak duplikasi) dari sebuah variable
jawa <- distinct(datainflowjawa, `2020`)
jawa## # A tibble: 7 x 1
## `2020`
## <dbl>
## 1 163779.
## 2 251363.
## 3 57235.
## 4 72342.
## 5 16619.
## 6 93374.
## 7 11793.Untuk mendapatkan nilai unik dari semua baris berdasarkan variabel
tertentu tambahkan opsi .keep_all = TRUE setelah nama
variable dalam fungsi distinct().
jawa <- distinct(datainflowjawa, `2016`, .keep_all = TRUE)
jawa## # A tibble: 7 x 12
## Keterangan `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018`
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 DKI Jakarta 101604. 136467. 149241. 152276. 163750. 170614. 181553. 187820.
## 2 Jawa 83511. 111363. 98969. 147069. 171568. 190568. 228905. 253125.
## 3 Jawa Barat 20782. 28895. 23067. 40857. 47063. 49405. 53825. 61358.
## 4 Jawa Tengah 19975. 28493. 29529. 39110. 46840. 53659. 62761. 69368.
## 5 Yogyakarta 7538. 9486. 9708. 13171. 14080. 13013. 16810. 20357.
## 6 Jawa Timur 35217. 44489. 36665. 53931. 63585. 74491. 93396. 97995.
## 7 Banten NA NA NA NA NA NA 2113. 4047.
## # ... with 3 more variables: `2019` <dbl>, `2020` <dbl>, `2021` <dbl>Menyeleksi baris
filter() digunakan untuk menyeleksi atau memilih baris
atau observasi berdasarkan nilainya. Dalam filter(), kita
dapat menggunakan berbagai operator, seperti operator dasar
<, <=, >,
>, == (sama dengan) dan %in%
(bagian dari). Argumen
filter()yang lebih dari satu dapat digabungkan dengan bolean operator, yaitu&(and/dan),|(or/atau) dan!`
(not/tidak).
jawa <- datainflowjawa %>%
filter(Keterangan <= 'Jawa') %>%
dplyr::select(`2015`,`2016`)
jawa## # A tibble: 3 x 2
## `2015` `2016`
## <dbl> <dbl>
## 1 163750. 170614.
## 2 171568. 190568.
## 3 NA NAjawa <- datainflowjawa %>%
filter(Keterangan == 'Jawa', Keterangan == 'Jawa Barat') %>%
dplyr::select( -`2020`)
jawa## # A tibble: 0 x 11
## # ... with 11 variables: Keterangan <chr>, 2011 <dbl>, 2012 <dbl>, 2013 <dbl>,
## # 2014 <dbl>, 2015 <dbl>, 2016 <dbl>, 2017 <dbl>, 2018 <dbl>, 2019 <dbl>,
## # 2021 <dbl>str(datainflowjawa)## tibble [7 x 12] (S3: tbl_df/tbl/data.frame)
## $ Keterangan: chr [1:7] "DKI Jakarta" "Jawa" "Jawa Barat" "Jawa Tengah" ...
## $ 2011 : num [1:7] 101604 83511 20782 19975 7538 ...
## $ 2012 : num [1:7] 136467 111363 28895 28493 9486 ...
## $ 2013 : num [1:7] 149241 98969 23067 29529 9708 ...
## $ 2014 : num [1:7] 152276 147069 40857 39110 13171 ...
## $ 2015 : num [1:7] 163750 171568 47063 46840 14080 ...
## $ 2016 : num [1:7] 170614 190568 49405 53659 13013 ...
## $ 2017 : num [1:7] 181553 228905 53825 62761 16810 ...
## $ 2018 : num [1:7] 187820 253125 61358 69368 20357 ...
## $ 2019 : num [1:7] 197818 271957 61692 72363 21353 ...
## $ 2020 : num [1:7] 163779 251363 57235 72342 16619 ...
## $ 2021 : num [1:7] 94033 143340 34763 44455 9652 ...str(datainflowjawa %>% group_by(Keterangan))## grouped_df [7 x 12] (S3: grouped_df/tbl_df/tbl/data.frame)
## $ Keterangan: chr [1:7] "DKI Jakarta" "Jawa" "Jawa Barat" "Jawa Tengah" ...
## $ 2011 : num [1:7] 101604 83511 20782 19975 7538 ...
## $ 2012 : num [1:7] 136467 111363 28895 28493 9486 ...
## $ 2013 : num [1:7] 149241 98969 23067 29529 9708 ...
## $ 2014 : num [1:7] 152276 147069 40857 39110 13171 ...
## $ 2015 : num [1:7] 163750 171568 47063 46840 14080 ...
## $ 2016 : num [1:7] 170614 190568 49405 53659 13013 ...
## $ 2017 : num [1:7] 181553 228905 53825 62761 16810 ...
## $ 2018 : num [1:7] 187820 253125 61358 69368 20357 ...
## $ 2019 : num [1:7] 197818 271957 61692 72363 21353 ...
## $ 2020 : num [1:7] 163779 251363 57235 72342 16619 ...
## $ 2021 : num [1:7] 94033 143340 34763 44455 9652 ...
## - attr(*, "groups")= tibble [7 x 2] (S3: tbl_df/tbl/data.frame)
## ..$ Keterangan: chr [1:7] "Banten" "DKI Jakarta" "Jawa" "Jawa Barat" ...
## ..$ .rows : list<int> [1:7]
## .. ..$ : int 7
## .. ..$ : int 1
## .. ..$ : int 2
## .. ..$ : int 3
## .. ..$ : int 4
## .. ..$ : int 6
## .. ..$ : int 5
## .. ..@ ptype: int(0)
## ..- attr(*, ".drop")= logi TRUEMengelompokkan data
jawa <- datainflowjawa %>%
group_by(Keterangan)
jawa## # A tibble: 7 x 12
## # Groups: Keterangan [7]
## Keterangan `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018`
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 DKI Jakarta 101604. 136467. 149241. 152276. 163750. 170614. 181553. 187820.
## 2 Jawa 83511. 111363. 98969. 147069. 171568. 190568. 228905. 253125.
## 3 Jawa Barat 20782. 28895. 23067. 40857. 47063. 49405. 53825. 61358.
## 4 Jawa Tengah 19975. 28493. 29529. 39110. 46840. 53659. 62761. 69368.
## 5 Yogyakarta 7538. 9486. 9708. 13171. 14080. 13013. 16810. 20357.
## 6 Jawa Timur 35217. 44489. 36665. 53931. 63585. 74491. 93396. 97995.
## 7 Banten NA NA NA NA NA NA 2113. 4047.
## # ... with 3 more variables: `2019` <dbl>, `2020` <dbl>, `2021` <dbl>Menambah kolom
jawa <- datainflowjawa %>%
mutate(`2022` = datainflowjawa$`2021`/2)
jawa## # A tibble: 7 x 13
## Keterangan `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018`
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 DKI Jakarta 101604. 136467. 149241. 152276. 163750. 170614. 181553. 187820.
## 2 Jawa 83511. 111363. 98969. 147069. 171568. 190568. 228905. 253125.
## 3 Jawa Barat 20782. 28895. 23067. 40857. 47063. 49405. 53825. 61358.
## 4 Jawa Tengah 19975. 28493. 29529. 39110. 46840. 53659. 62761. 69368.
## 5 Yogyakarta 7538. 9486. 9708. 13171. 14080. 13013. 16810. 20357.
## 6 Jawa Timur 35217. 44489. 36665. 53931. 63585. 74491. 93396. 97995.
## 7 Banten NA NA NA NA NA NA 2113. 4047.
## # ... with 4 more variables: `2019` <dbl>, `2020` <dbl>, `2021` <dbl>,
## # `2022` <dbl>Mengurutkan data
jawa <- arrange(datainflowjawa, `2011`)
jawa## # A tibble: 7 x 12
## Keterangan `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018`
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Yogyakarta 7538. 9486. 9708. 13171. 14080. 13013. 16810. 20357.
## 2 Jawa Tengah 19975. 28493. 29529. 39110. 46840. 53659. 62761. 69368.
## 3 Jawa Barat 20782. 28895. 23067. 40857. 47063. 49405. 53825. 61358.
## 4 Jawa Timur 35217. 44489. 36665. 53931. 63585. 74491. 93396. 97995.
## 5 Jawa 83511. 111363. 98969. 147069. 171568. 190568. 228905. 253125.
## 6 DKI Jakarta 101604. 136467. 149241. 152276. 163750. 170614. 181553. 187820.
## 7 Banten NA NA NA NA NA NA 2113. 4047.
## # ... with 3 more variables: `2019` <dbl>, `2020` <dbl>, `2021` <dbl>Visualisasi data dengan ggplot
ggplot2 adalah package yang berfungsi membuat grafik yang merepresentasikan data dengan menerapkan warna, simbol, dan lainnya. Package ini memiliki banyak fungsi dan plot yang bisa kita pilih untuk memvisualisasikan data. Beberapa kelebihan yang dimiliki ggplot2 yaitu antara lain fleksibel dalam penggunaannya, fungsi yang lengkap untuk visualisasi, dan penggunaan metodenya tidak ribet. Cara install dan penggunaan package ggplot2 sama dengan package yang sudah dibahas di poin sebelumnya yaitu:
install.package(ggplot2) #install package library(ggplot2) #memanggil ggplot2
ggplot(data = datainflowjawa, mapping = aes(x = Keterangan, y = `2015`)) +
geom_point() ## Warning: Removed 1 rows containing missing values (geom_point).
ggplot(data = datainflowjawa, mapping = aes(x = Keterangan, y = `2015`)) +
geom_bar(stat = "identity")## Warning: Removed 1 rows containing missing values (position_stack).
ggplot(datainflowjawa, aes(Keterangan,`2015`, color=`Keterangan`))+
geom_point()## Warning: Removed 1 rows containing missing values (geom_point).
Referensi
https://rpubs.com/suhartono-uinmaliki/868598
https://rpubs.com/aephidayatuloh/manipulasi-data
https://rpubs.com/aephidayatuloh/coviz
https://www.bi.go.id/id/statistik/ekonomi-keuangan/ssp/indikator-pengedaran-uang.aspx
https://garrettgman.github.io/rmarkdown/html_document_format#appearance_and_style