Manipulasi dan Visualisasi Data Outflow Uang Kartal Wilayah Jawa per-Tahun

• Manipulasi Data Outflow Uang Kartal Wilayah Jawa
  • Manipulasi Data menggunakan package dplyr dan tidyverse pada software R
  • Struktur Data Outflow Uang Kartal di Wilayah Jawa
• Visualisasi Data Outflow Uang Kartal per-Tahun wilayah Jawa
  • Visualisasi Data Outflow dengan Menjumlah/Menggabungkan antara tahun 2014 dan 2015
• Referensi

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

Mata Kuliah : Linier Algebra

Prodi : Teknik Informatika

Lembaga : Universitas Islam Negeri Maulana Malik Ibrahim Malang

Manipulasi Data Outflow Uang Kartal Wilayah Jawa

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.

Disini saya mangmbil data dari excel, dimana datanya berisikan Outflow uang kartal dari wilayah Jawa. Data uang kartal outflow ini bisa didapat melalui web Bank Indonesia. outflow merupakan uang yang keluar dari BI melalui kegiatan penarikan.

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

Manipulasi Data menggunakan package dplyr dan tidyverse pada software R

Data yang saya ambil dari data outflow uang kartal di Jawa adalah per-Tahun mulai dari tahun 2011-2021

Berikut contoh proses me-Manipulasi Data Uang Kartal Outflow di wilayah Jawa :

Memanggil data dari excel

library(readxl)

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

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

## # A tibble: 4 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 Ba~ 20782. 28895. 23067. 40857. 47063. 49405. 53825. 61358. 6.17e4 57235.
## 2 Jawa Te~ 19975. 28493. 29529. 39110. 46840. 53659. 62761. 69368. 7.24e4 72342.
## 3 Yogyaka~  7538.  9486.  9708. 13171. 14080. 13013. 16810. 20357. 2.14e4 16619.
## 4 Jawa Ti~ 35217. 44489. 36665. 53931. 63585. 74491. 93396. 97995. 1.06e5 93374.
## # ... 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()

Jawa2020 <- select(OutJawa, '2020')
Jawa2020

## # A tibble: 4 x 1
##   `2020`
##    <dbl>
## 1 57235.
## 2 72342.
## 3 16619.
## 4 93374.

Menghilangkan tahun sesuai pilihan

library(tidyverse)
Jawanon2011 <- select(OutJawa, -'2011')
Jawanon2011

## # A tibble: 4 x 11
##   Provinsi `2012` `2013` `2014` `2015` `2016` `2017` `2018` `2019` `2020` `2021`
##   <chr>     <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 Jawa Ba~ 28895. 23067. 40857. 47063. 49405. 53825. 61358. 6.17e4 57235. 34763.
## 2 Jawa Te~ 28493. 29529. 39110. 46840. 53659. 62761. 69368. 7.24e4 72342. 44455.
## 3 Yogyaka~  9486.  9708. 13171. 14080. 13013. 16810. 20357. 2.14e4 16619.  9652.
## 4 Jawa Ti~ 44489. 36665. 53931. 63585. 74491. 93396. 97995. 1.06e5 93374. 46029.

Memanggil dan Memilih tahun kemudian mengganti sesuai keinginan

Jawa2011 <- OutJawa %>% select('2011')
Jawa2011

## # A tibble: 4 x 1
##   `2011`
##    <dbl>
## 1 20782.
## 2 19975.
## 3  7538.
## 4 35217.

library(dplyr)
Jawatahun <- OutJawa %>% rename('2010' = '2011')
head(Jawatahun)

## # A tibble: 4 x 12
##   Provinsi `2010` `2012` `2013` `2014` `2015` `2016` `2017` `2018` `2019` `2020`
##   <chr>     <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 Jawa Ba~ 20782. 28895. 23067. 40857. 47063. 49405. 53825. 61358. 6.17e4 57235.
## 2 Jawa Te~ 19975. 28493. 29529. 39110. 46840. 53659. 62761. 69368. 7.24e4 72342.
## 3 Yogyaka~  7538.  9486.  9708. 13171. 14080. 13013. 16810. 20357. 2.14e4 16619.
## 4 Jawa Ti~ 35217. 44489. 36665. 53931. 63585. 74491. 93396. 97995. 1.06e5 93374.
## # ... with 1 more variable: `2021` <dbl>

library(dplyr)
Data_Jawa <- OutJawa %>%
    filter(Provinsi == 'Jawa') %>%
    select('2014','2015')
Data_Jawa

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

library(dplyr)
JWup1 <- OutJawa %>%
    filter(Provinsi == 'Jawa Barat', Provinsi == 'Jawa Tengah') %>%
    select('2014','2015')
JWup1

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

Struktur Data Outflow Uang Kartal di Wilayah Jawa

str(OutJawa)

## tibble [4 x 12] (S3: tbl_df/tbl/data.frame)
##  $ Provinsi: chr [1:4] "Jawa Barat" "Jawa Tengah" "Yogyakarta" "Jawa Timur"
##  $ 2011    : num [1:4] 20782 19975 7538 35217
##  $ 2012    : num [1:4] 28895 28493 9486 44489
##  $ 2013    : num [1:4] 23067 29529 9708 36665
##  $ 2014    : num [1:4] 40857 39110 13171 53931
##  $ 2015    : num [1:4] 47063 46840 14080 63585
##  $ 2016    : num [1:4] 49405 53659 13013 74491
##  $ 2017    : num [1:4] 53825 62761 16810 93396
##  $ 2018    : num [1:4] 61358 69368 20357 97995
##  $ 2019    : num [1:4] 61692 72363 21353 105514
##  $ 2020    : num [1:4] 57235 72342 16619 93374
##  $ 2021    : num [1:4] 34763 44455 9652 46029

str(OutJawa %>% group_by(Provinsi))

## grouped_df [4 x 12] (S3: grouped_df/tbl_df/tbl/data.frame)
##  $ Provinsi: chr [1:4] "Jawa Barat" "Jawa Tengah" "Yogyakarta" "Jawa Timur"
##  $ 2011    : num [1:4] 20782 19975 7538 35217
##  $ 2012    : num [1:4] 28895 28493 9486 44489
##  $ 2013    : num [1:4] 23067 29529 9708 36665
##  $ 2014    : num [1:4] 40857 39110 13171 53931
##  $ 2015    : num [1:4] 47063 46840 14080 63585
##  $ 2016    : num [1:4] 49405 53659 13013 74491
##  $ 2017    : num [1:4] 53825 62761 16810 93396
##  $ 2018    : num [1:4] 61358 69368 20357 97995
##  $ 2019    : num [1:4] 61692 72363 21353 105514
##  $ 2020    : num [1:4] 57235 72342 16619 93374
##  $ 2021    : num [1:4] 34763 44455 9652 46029
##  - attr(*, "groups")= tibble [4 x 2] (S3: tbl_df/tbl/data.frame)
##   ..$ Provinsi: chr [1:4] "Jawa Barat" "Jawa Tengah" "Jawa Timur" "Yogyakarta"
##   ..$ .rows   : list<int> [1:4] 
##   .. ..$ : int 1
##   .. ..$ : int 2
##   .. ..$ : int 4
##   .. ..$ : int 3
##   .. ..@ ptype: int(0) 
##   ..- attr(*, ".drop")= logi TRUE

Jawaup5 <- OutJawa %>%
    group_by(Provinsi)
Jawaup5

## # A tibble: 4 x 12
## # Groups:   Provinsi [4]
##   Provinsi `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018` `2019` `2020`
##   <chr>     <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 Jawa Ba~ 20782. 28895. 23067. 40857. 47063. 49405. 53825. 61358. 6.17e4 57235.
## 2 Jawa Te~ 19975. 28493. 29529. 39110. 46840. 53659. 62761. 69368. 7.24e4 72342.
## 3 Yogyaka~  7538.  9486.  9708. 13171. 14080. 13013. 16810. 20357. 2.14e4 16619.
## 4 Jawa Ti~ 35217. 44489. 36665. 53931. 63585. 74491. 93396. 97995. 1.06e5 93374.
## # ... with 1 more variable: `2021` <dbl>

OutJawa %>%
    filter(Provinsi == 'Yogyakarta') %>%
    count('2013', sort = TRUE)

## # A tibble: 1 x 2
##   `"2013"`     n
##   <chr>    <int>
## 1 2013         1

JWacehup1 <- OutJawa %>%
    mutate('2010' = OutJawa$'2013'/2)
JWacehup1

## # A tibble: 4 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 Jawa Ba~ 20782. 28895. 23067. 40857. 47063. 49405. 53825. 61358. 6.17e4 57235.
## 2 Jawa Te~ 19975. 28493. 29529. 39110. 46840. 53659. 62761. 69368. 7.24e4 72342.
## 3 Yogyaka~  7538.  9486.  9708. 13171. 14080. 13013. 16810. 20357. 2.14e4 16619.
## 4 Jawa Ti~ 35217. 44489. 36665. 53931. 63585. 74491. 93396. 97995. 1.06e5 93374.
## # ... with 2 more variables: `2021` <dbl>, `2010` <dbl>

Visualisasi Data Outflow Uang Kartal per-Tahun wilayah Jawa

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

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

ggplot(data = OutJawa)+
  geom_point(mapping = aes(x = Provinsi, y = `2014`, color=`2014`))

ggplot(data = OutJawa)+
  geom_point(mapping = aes(x = Provinsi, y = `2015`, color=`2015`)) 

Visualisasi Data Outflow dengan Menjumlah/Menggabungkan antara tahun 2014 dan 2015

ggplot(data = OutJawa, mapping = aes(x = Provinsi, y = `2014`+`2015`, color=`2014`+ `2015`)) +
  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