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

Lembaga : Universitas Islam Negeri Maulana Malik Ibrahim Malang

Jurusan : Teknik Informatika

Fakultas : Sains dan Teknologi

Pengertian Pivot Table

Pivot table adalah sebuah tabel yang berisi data rangkuman dari data dibeberapa tabel lainnya, dibuat dengan melakukan penjumlahan, menghitung rata-rata, mengurutkan data termasuk juga mengelompokkan data, sehingga dihasilkan tabel rangkuman yang lebih informatif dan mudah dibaca.

Pivot Table Inflow di Daerah Jawa

library(readxl)
## Warning: package 'readxl' was built under R version 4.1.2
datainflowjawa <- read_excel(path = "~/linear algebra/inflow jawa.xlsx")
datainflowjawa
## # A tibble: 11 x 7
##    Keterangan    Jawa `Jawa Barat` `Jawa Tengah` Yogyakarta `Jawa Timur` Banten
##         <dbl>   <dbl>        <dbl>         <dbl>      <dbl>        <dbl>  <dbl>
##  1       2011 123917.       43775.        35137.      6490.       38515.     0 
##  2       2012 160482.       60629.        43298.      9173.       47383.     0 
##  3       2013 134998.       35190.        42182.      8939.       48687.     0 
##  4       2014 217303.       78660.        60476.     13890.       64276.     0 
##  5       2015 230141.       81303.        65198.     14831.       68808.     0 
##  6       2016 261607.       88036.        72782.     17350.       83439.     0 
##  7       2017 277609.       83220.        77031.     17483.       98380.  1495.
##  8       2018 306911.       87243.        87829.     20574.      106433.  4832.
##  9       2019 324624.       94846.        90751.     20899.      113651.  4477.
## 10       2020 259444.       76883.        84970.      7348.       86848.  3396.
## 11       2021 187816.       57295.        62024.      6714.       58986.  2798.
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 4.1.2
## 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 'forcats' was built under R version 4.1.3
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

Kasus Data Inflow di Daerah Jawa Periode 2011-2021

datalongerjawa <- datainflowjawa %>%
  pivot_longer(!Keterangan, names_to = "Provinsi", values_to = "Kasus")
datalongerjawa
## # A tibble: 66 x 3
##    Keterangan Provinsi      Kasus
##         <dbl> <chr>         <dbl>
##  1       2011 Jawa        123917.
##  2       2011 Jawa Barat   43775.
##  3       2011 Jawa Tengah  35137.
##  4       2011 Yogyakarta    6490.
##  5       2011 Jawa Timur   38515.
##  6       2011 Banten           0 
##  7       2012 Jawa        160482.
##  8       2012 Jawa Barat   60629.
##  9       2012 Jawa Tengah  43298.
## 10       2012 Yogyakarta    9173.
## # ... with 56 more rows

Pivot Data Inflow di Daerah Jawa berdasarkan Kasus

library(dplyr)
jawa2 <- select(datalongerjawa, Provinsi, Kasus)
jawa2
## # A tibble: 66 x 2
##    Provinsi      Kasus
##    <chr>         <dbl>
##  1 Jawa        123917.
##  2 Jawa Barat   43775.
##  3 Jawa Tengah  35137.
##  4 Yogyakarta    6490.
##  5 Jawa Timur   38515.
##  6 Banten           0 
##  7 Jawa        160482.
##  8 Jawa Barat   60629.
##  9 Jawa Tengah  43298.
## 10 Yogyakarta    9173.
## # ... with 56 more rows

Kasus Data Inflow di Provinsi Jawa Timur Periode 2011-2021

library(dplyr)
jawa3 <- datalongerjawa %>%
  filter(Provinsi == 'Jawa Timur') %>%
  select('Provinsi','Keterangan','Kasus')
jawa3
## # A tibble: 11 x 3
##    Provinsi   Keterangan   Kasus
##    <chr>           <dbl>   <dbl>
##  1 Jawa Timur       2011  38515.
##  2 Jawa Timur       2012  47383.
##  3 Jawa Timur       2013  48687.
##  4 Jawa Timur       2014  64276.
##  5 Jawa Timur       2015  68808.
##  6 Jawa Timur       2016  83439.
##  7 Jawa Timur       2017  98380.
##  8 Jawa Timur       2018 106433.
##  9 Jawa Timur       2019 113651.
## 10 Jawa Timur       2020  86848.
## 11 Jawa Timur       2021  58986.

Kasus Data Inflow di Provinsi Jawa Timur Tahun 2020

jawa4 <- datalongerjawa %>%
  filter(Provinsi == 'Jawa Timur', Keterangan == '2020') %>%
  select('Provinsi','Keterangan','Kasus')
jawa4
## # A tibble: 1 x 3
##   Provinsi   Keterangan  Kasus
##   <chr>           <dbl>  <dbl>
## 1 Jawa Timur       2020 86848.

Kasus Data Inflow di Provinsi Jawa Tengah Periode 2011-2021

library(dplyr)
jawa3 <- datalongerjawa %>%
  filter(Provinsi == 'Jawa Tengah') %>%
  select('Provinsi','Keterangan','Kasus')
jawa3
## # A tibble: 11 x 3
##    Provinsi    Keterangan  Kasus
##    <chr>            <dbl>  <dbl>
##  1 Jawa Tengah       2011 35137.
##  2 Jawa Tengah       2012 43298.
##  3 Jawa Tengah       2013 42182.
##  4 Jawa Tengah       2014 60476.
##  5 Jawa Tengah       2015 65198.
##  6 Jawa Tengah       2016 72782.
##  7 Jawa Tengah       2017 77031.
##  8 Jawa Tengah       2018 87829.
##  9 Jawa Tengah       2019 90751.
## 10 Jawa Tengah       2020 84970.
## 11 Jawa Tengah       2021 62024.

Kasus Data Inflow di Provinsi Jawa Tengah Tahun 2016

jawa4 <- datalongerjawa %>%
  filter(Provinsi == 'Jawa Tengah', Keterangan == '2016') %>%
  select('Provinsi','Keterangan','Kasus')
jawa4
## # A tibble: 1 x 3
##   Provinsi    Keterangan  Kasus
##   <chr>            <dbl>  <dbl>
## 1 Jawa Tengah       2016 72782.

Kasus Data Inflow di Provinsi Yogyakarta Periode 2011-2021

library(dplyr)
jawa3 <- datalongerjawa %>%
  filter(Provinsi == 'Yogyakarta') %>%
  select('Provinsi','Keterangan','Kasus')
jawa3
## # A tibble: 11 x 3
##    Provinsi   Keterangan  Kasus
##    <chr>           <dbl>  <dbl>
##  1 Yogyakarta       2011  6490.
##  2 Yogyakarta       2012  9173.
##  3 Yogyakarta       2013  8939.
##  4 Yogyakarta       2014 13890.
##  5 Yogyakarta       2015 14831.
##  6 Yogyakarta       2016 17350.
##  7 Yogyakarta       2017 17483.
##  8 Yogyakarta       2018 20574.
##  9 Yogyakarta       2019 20899.
## 10 Yogyakarta       2020  7348.
## 11 Yogyakarta       2021  6714.

Kasus Data Inflow di Provinsi Yogyakarta Tahun 2013

jawa4 <- datalongerjawa %>%
  filter(Provinsi == 'Yogyakarta', Keterangan == '2013') %>%
  select('Provinsi','Keterangan','Kasus')
jawa4
## # A tibble: 1 x 3
##   Provinsi   Keterangan Kasus
##   <chr>           <dbl> <dbl>
## 1 Yogyakarta       2013 8939.

Kasus Data Inflow di Provinsi Jawa Barat Periode 2011-2021

library(dplyr)
jawa3 <- datalongerjawa %>%
  filter(Provinsi == 'Jawa Barat') %>%
  select('Provinsi','Keterangan','Kasus')
jawa3
## # A tibble: 11 x 3
##    Provinsi   Keterangan  Kasus
##    <chr>           <dbl>  <dbl>
##  1 Jawa Barat       2011 43775.
##  2 Jawa Barat       2012 60629.
##  3 Jawa Barat       2013 35190.
##  4 Jawa Barat       2014 78660.
##  5 Jawa Barat       2015 81303.
##  6 Jawa Barat       2016 88036.
##  7 Jawa Barat       2017 83220.
##  8 Jawa Barat       2018 87243.
##  9 Jawa Barat       2019 94846.
## 10 Jawa Barat       2020 76883.
## 11 Jawa Barat       2021 57295.

Kasus Data Inflow di Provinsi Jawa Barat Tahun 2012

jawa4 <- datalongerjawa %>%
  filter(Provinsi == 'Jawa Barat', Keterangan == '2012') %>%
  select('Provinsi','Keterangan','Kasus')
jawa4
## # A tibble: 1 x 3
##   Provinsi   Keterangan  Kasus
##   <chr>           <dbl>  <dbl>
## 1 Jawa Barat       2012 60629.

Kasus Data Inflow di Provinsi Banten Periode 2011-2021

library(dplyr)
jawa3 <- datalongerjawa %>%
  filter(Provinsi == 'Banten')%>%
  select('Provinsi','Keterangan','Kasus')
jawa3
## # A tibble: 11 x 3
##    Provinsi Keterangan Kasus
##    <chr>         <dbl> <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 1495.
##  8 Banten         2018 4832.
##  9 Banten         2019 4477.
## 10 Banten         2020 3396.
## 11 Banten         2021 2798.

Kasus Data Inflow di Provinsi Banten Tahun 2018

jawa4 <- datalongerjawa %>%
  filter(Provinsi == 'Banten', Keterangan == '2018') %>%
  select('Provinsi','Keterangan','Kasus')
jawa4
## # A tibble: 1 x 3
##   Provinsi Keterangan Kasus
##   <chr>         <dbl> <dbl>
## 1 Banten         2018 4832.

Visualisasi Pivot Data Inflow di Pulau Jawa berdasarkan Provinsi

ggplot(data = datalongerjawa, mapping = aes(x = Keterangan, y = Kasus)) + geom_point(col = "red") + facet_wrap(~ Provinsi) + theme(axis.text.x = element_text(angle = 90) )

Visualisasi Pivot Data Inflow di Pulau Jawa berdasarkan Tahun

ggplot(data = datalongerjawa, mapping = aes(x = Provinsi, y = Kasus)) + geom_point(col = "gold") + facet_wrap(~ Keterangan) + theme(axis.text.x = element_text(angle = 90) )

Referensi

https://rpubs.com/suhartono-uinmaliki/868629

https://www.bi.go.id/id/statistik/ekonomi-keuangan/ssp/indikator-pengedaran-uang.aspx

https://www.kampusexcel.com/cara-membuat-pivot-table-2007.html#:~:text=Pengertian%20pivot%20table%20Apa%20itu%20pivot%20table%3F%2C%20pivot,tabel%20rangkuman%20yang%20lebih%20informatif%20dan%20mudah%20dibaca.