Visusalisasi Data Inflow Outflow Uang Kartal Provinsi Aceh
Rifqi Murtiani, Prof. Dr. Suhartono, M.Kom
13/3/2022
Universitas Islam Negeri Maulana Malik Ibrahim Malang
Program Studi Teknik Informatika
Pengertian Inflow Outflow Uang Kartal
Banyaknya uang yang beredar di masyarakat akan berpengaruh pada kondisi perekonomian suatu negara. Bank Indonesia memiliki tujuan tunggal untuk mencapai dan menjaga kestabilan nilai rupiah. Oleh karena itu, BI sebagai bank sentral menyusun perencanaan untuk memenuhi kebutuhan uang rupiah. Perencanaan tersebut dapat dilakukan dengan melakukan peramalan untuk inflow dan outflow uang kartal. Inflow merupakan uang yang masuk ke BI melalui kegiatan penyetoran, sedangkan outflow merupakan uang yang keluar dari BI melalui kegiatan penarikan.
library(readxl)
datainflow <- read_excel(path = "inflowpertahun.xlsx")## New names:
## * `` -> ...2datainflow## # A tibble: 11 x 13
## tahun ...2 Sumatera Aceh `Sumatera Utara` `Sumatera Barat` Riau
## <dbl> <lgl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2011 NA 57900. 2308. 23238. 9385. 3012.
## 2 2012 NA 65911. 2620. 25981. 11192. 4447.
## 3 2013 NA 98369. 36337. 18120. 14056. 8933.
## 4 2014 NA 86024. 4567. 30503. 14103. 6358.
## 5 2015 NA 86549. 4710. 30254. 13309. 7156.
## 6 2016 NA 97764. 5775. 34427. 14078. 8211.
## 7 2017 NA 103748. 5514. 35617. 15312. 8553.
## 8 2018 NA 117495. 5799. 41769. 15058. 10730.
## 9 2019 NA 133762. 7509. 47112. 14750. 10915.
## 10 2020 NA 109345. 6641. 36609. 10696. 9148.
## 11 2021 NA 89270. 3702. 31840. 10748. 7769.
## # ... with 6 more variables: `Kep. Riau` <dbl>, Jambi <dbl>,
## # `Sumatera Selatan` <dbl>, Bengkulu <dbl>, Lampung <dbl>,
## # `Kep. Bangka Belitung` <dbl>library(readxl)
dataoutflow <- read_excel(path = "outflow.xlsx")
dataoutflow## # A tibble: 11 x 12
## Tahun Sumatera Aceh `Sumatera Utara` `Sumatera Barat` Riau `Kep. Riau`
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2011 80092. 6338. 22176. 5300. 12434. 5819.
## 2 2012 85235. 6378. 22495. 6434. 13014. 6966.
## 3 2013 103288. 23278. 19235. 6511. 15460. 8747.
## 4 2014 102338. 8630. 26391. 7060. 15158. 10122.
## 5 2015 109186. 9637. 27877. 7471. 15789. 9803.
## 6 2016 121992. 11311. 31959. 9198. 17645. 10068.
## 7 2017 133606. 11760. 35243. 10754. 18128. 10749.
## 8 2018 135676. 11450. 36908. 8447. 17926. 12597.
## 9 2019 153484. 13087. 44051. 9465. 19277. 12644.
## 10 2020 140589. 12874. 39758. 8763. 19139. 8461.
## 11 2021 86627. 5770. 23453. 5941. 12631. 5128.
## # ... with 5 more variables: Jambi <dbl>, `Sumatera Selatan` <dbl>,
## # Bengkulu <dbl>, Lampung <dbl>, `Kep. Bangka Belitung` <dbl>1. visualisasi Prediksi Data Inflow Uang Kartal Aceh Setiap Periode
plot(datainflow$Aceh, type = "l", col = "red")
2. visualisasi Prediksi Data Outflow Uang Kartal Aceh Setiap Periode
plot(dataoutflow$Aceh, type = "l", col = "blue")
3. Visualisasi Prediksi Data Inflow-Outflow Uang Kartal di Aceh Setiap Periode
plot(datainflow$Aceh, type = "l", col = "red")
lines(dataoutflow$Aceh, type = "l", col = "blue")
4. Visualisasi Prediksi Data Inflow-Outflow Uang Kartal di Aceh Setiap Bulan
library(readxl)
datainflowperbulan <- read_excel(path = "Inflowperbulan.xlsx")
datainflowperbulan## # A tibble: 12 x 12
## Bulan Sumatera Aceh `Sumatera Utara` `Sumatera Barat` Riau
## <dttm> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2011-01-01 00:00:00 4164. 124. 2068. 545. 94.2
## 2 2011-02-01 00:00:00 3338. 115. 1826. 450. 96.4
## 3 2011-03-01 00:00:00 4878. 154. 2028. 849. 288.
## 4 2011-04-01 00:00:00 3157. 122. 1429. 539. 160.
## 5 2011-05-01 00:00:00 3821. 123. 1539. 692. 195.
## 6 2011-06-01 00:00:00 3686. 151. 1637. 592. 101.
## 7 2011-07-01 00:00:00 4370. 107. 1791. 800. 143.
## 8 2011-08-01 00:00:00 3668. 184. 1256. 586. 134.
## 9 2011-09-01 00:00:00 12875. 606. 4172. 2176. 1014.
## 10 2011-10-01 00:00:00 4777. 158. 1941. 787. 341.
## 11 2011-11-01 00:00:00 5670. 287. 1943. 854. 285.
## 12 2011-12-01 00:00:00 3496. 176. 1608. 513. 161.
## # ... with 6 more variables: `Kep. Riau` <dbl>, Jambi <dbl>,
## # `Sumatera Selatan` <dbl>, Bengkulu <dbl>, Lampung <dbl>,
## # `Kep. Bangka Belitung` <dbl>library(readxl)
dataoutflowperbulan <- read_excel(path = "DataOutflowBulanan.xlsx")
dataoutflowperbulan## # A tibble: 12 x 12
## Bulan Sumatera Aceh `Sumatera Utara` `Sumatera Barat` Riau
## <dttm> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2011-01-01 00:00:00 3442. 350. 941. 307. 478.
## 2 2011-02-01 00:00:00 3989. 193. 990. 228. 400.
## 3 2011-03-01 00:00:00 4229. 230. 1209. 347. 621.
## 4 2011-04-01 00:00:00 6721. 529. 1653. 336. 1006.
## 5 2011-05-01 00:00:00 5787. 523. 1465. 328. 1000.
## 6 2011-06-01 00:00:00 7395. 406. 2167. 399. 1366.
## 7 2011-07-01 00:00:00 7154. 958. 1695. 449. 815.
## 8 2011-08-01 00:00:00 16043. 1046. 4104. 1376. 2729.
## 9 2011-09-01 00:00:00 1915. 124. 824. 148. 154.
## 10 2011-10-01 00:00:00 5174. 634. 1392. 299. 830.
## 11 2011-11-01 00:00:00 5610. 595. 1598. 350. 874.
## 12 2011-12-01 00:00:00 12634. 750. 4140. 734. 2160.
## # ... with 6 more variables: `Kep. Riau` <dbl>, Jambi <dbl>,
## # `Sumatera Selatan` <dbl>, Bengkulu <dbl>, Lampung <dbl>,
## # `Kep. Bangka Belitung` <dbl>plot(datainflowperbulan$Aceh, type = "l", col = "orange")
lines(dataoutflowperbulan$Aceh,col="purple")
legend("top",c("Inflow","Outflow"),fill=c("red","green"))
Acehtimeseries <- datainflowperbulan$Aceh
plot.ts(Acehtimeseries , type = "l", col = "red")
logAceh <- log(datainflowperbulan$Aceh)
plot.ts(logAceh)
library(TTR)
AcehSMA3 <- SMA(datainflowperbulan$Aceh,n=3)
plot.ts(AcehSMA3 )
library(readxl)
AcehSMA3 <- SMA(datainflowperbulan$Aceh,n=8)
plot.ts(AcehSMA3 )
library(TTR)
AcehSMA3 <- SMA(datainflowperbulan$Aceh,n=3)
plot.ts(AcehSMA3 )
5. Visualisasi Prediksi Data Inflow-Outflow Time Series Uang Kartal di Aceh
Acehinflowtimeseries <- ts(datainflowperbulan$Aceh, frequency=12, start=c(2011,1))
Acehinflowtimeseries## Jan Feb Mar Apr May Jun Jul Aug
## 2011 124.3333 115.1432 154.4161 122.1835 122.7525 151.3753 107.2243 183.8453
## Sep Oct Nov Dec
## 2011 605.6233 157.6463 287.2465 176.1952Acehoutflowtimeseries <- ts(dataoutflowperbulan$Aceh, frequency=12, start=c(2011,1))
Acehoutflowtimeseries## Jan Feb Mar Apr May Jun Jul
## 2011 349.5767 192.6249 230.3575 528.5901 523.4702 405.8470 957.5849
## Aug Sep Oct Nov Dec
## 2011 1046.0924 123.9816 634.4575 595.1438 750.3270