Pivot Data dan Visualisasi Data Inflow Uang Kartal Beberapa Provinsi di Daerah Sulawesi
Arvin Azaria Munsyi
21/3/2022
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 Sulawesi
library(readxl)## Warning: package 'readxl' was built under R version 4.1.2inflowslw <- read_excel(path = "~/linear algebra/inflow sulawesi.xlsx")
inflowslw## # A tibble: 11 x 6
## Keterangan `Sulawesi Utara` `Sulawesi Tengah` `Sulawesi Selatan`
## <dbl> <dbl> <dbl> <dbl>
## 1 2011 5671. 1563. 10593.
## 2 2012 6635. 1885. 13702.
## 3 2013 21646. 1520. 17770.
## 4 2014 7374. 3000. 19384.
## 5 2015 6286. 2593. 19583.
## 6 2016 7266. 2665. 21043.
## 7 2017 7044. 2806. 18803.
## 8 2018 7781. 3701. 21894.
## 9 2019 7809. 4042. 24749.
## 10 2020 6324. 3052. 21551.
## 11 2021 4671. 2453. 18335.
## # ... with 2 more variables: `Sulawesi Tenggara` <dbl>, `Sulawesi Barat` <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 4.1.2## 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 Sulawesi Periode 2011-2021
datalongersulawesi <- inflowslw %>%
pivot_longer(!Keterangan, names_to = "Provinsi", values_to = "Kasus")
datalongersulawesi## # A tibble: 55 x 3
## Keterangan Provinsi Kasus
## <dbl> <chr> <dbl>
## 1 2011 Sulawesi Utara 5671.
## 2 2011 Sulawesi Tengah 1563.
## 3 2011 Sulawesi Selatan 10593.
## 4 2011 Sulawesi Tenggara 659.
## 5 2011 Sulawesi Barat 0
## 6 2012 Sulawesi Utara 6635.
## 7 2012 Sulawesi Tengah 1885.
## 8 2012 Sulawesi Selatan 13702.
## 9 2012 Sulawesi Tenggara 964.
## 10 2012 Sulawesi Barat 0
## # ... with 45 more rowsPivot Data Inflow di Daerah Sulawesi berdasarkan Kasus
library(dplyr)
slw2 <- select(datalongersulawesi, Provinsi, Kasus)
slw2## # A tibble: 55 x 2
## Provinsi Kasus
## <chr> <dbl>
## 1 Sulawesi Utara 5671.
## 2 Sulawesi Tengah 1563.
## 3 Sulawesi Selatan 10593.
## 4 Sulawesi Tenggara 659.
## 5 Sulawesi Barat 0
## 6 Sulawesi Utara 6635.
## 7 Sulawesi Tengah 1885.
## 8 Sulawesi Selatan 13702.
## 9 Sulawesi Tenggara 964.
## 10 Sulawesi Barat 0
## # ... with 45 more rowsKasus Data Inflow di Provinsi Sulawesi Utara Periode 2011-2021
library(dplyr)
slw3 <- datalongersulawesi %>%
filter(Provinsi == 'Sulawesi Utara') %>%
select('Provinsi','Keterangan','Kasus')
slw3## # A tibble: 11 x 3
## Provinsi Keterangan Kasus
## <chr> <dbl> <dbl>
## 1 Sulawesi Utara 2011 5671.
## 2 Sulawesi Utara 2012 6635.
## 3 Sulawesi Utara 2013 21646.
## 4 Sulawesi Utara 2014 7374.
## 5 Sulawesi Utara 2015 6286.
## 6 Sulawesi Utara 2016 7266.
## 7 Sulawesi Utara 2017 7044.
## 8 Sulawesi Utara 2018 7781.
## 9 Sulawesi Utara 2019 7809.
## 10 Sulawesi Utara 2020 6324.
## 11 Sulawesi Utara 2021 4671.Kasus Data Inflow di Provinsi Sulawesi Utara Tahun 2020
slw4 <- datalongersulawesi %>%
filter(Provinsi == 'Sulawesi Utara', Keterangan == '2020') %>%
select('Provinsi','Keterangan','Kasus')
slw4## # A tibble: 1 x 3
## Provinsi Keterangan Kasus
## <chr> <dbl> <dbl>
## 1 Sulawesi Utara 2020 6324.Kasus Data Inflow di Provinsi Sulawesi Tengah Periode 2011-2021
library(dplyr)
slw3 <- datalongersulawesi %>%
filter(Provinsi == 'Sulawesi Tengah') %>%
select('Provinsi','Keterangan','Kasus')
slw3## # A tibble: 11 x 3
## Provinsi Keterangan Kasus
## <chr> <dbl> <dbl>
## 1 Sulawesi Tengah 2011 1563.
## 2 Sulawesi Tengah 2012 1885.
## 3 Sulawesi Tengah 2013 1520.
## 4 Sulawesi Tengah 2014 3000.
## 5 Sulawesi Tengah 2015 2593.
## 6 Sulawesi Tengah 2016 2665.
## 7 Sulawesi Tengah 2017 2806.
## 8 Sulawesi Tengah 2018 3701.
## 9 Sulawesi Tengah 2019 4042.
## 10 Sulawesi Tengah 2020 3052.
## 11 Sulawesi Tengah 2021 2453.Kasus Data Inflow di Provinsi Sulawesi Tengah Tahun 2016
slw4 <- datalongersulawesi %>%
filter(Provinsi == 'Sulawesi Tengah', Keterangan == '2016') %>%
select('Provinsi','Keterangan','Kasus')
slw4## # A tibble: 1 x 3
## Provinsi Keterangan Kasus
## <chr> <dbl> <dbl>
## 1 Sulawesi Tengah 2016 2665.Kasus Data Inflow di Provinsi Sulawesi Selatan Periode 2011-2021
library(dplyr)
slw3 <- datalongersulawesi %>%
filter(Provinsi == 'Sulawesi Selatan') %>%
select('Provinsi','Keterangan','Kasus')
slw3## # A tibble: 11 x 3
## Provinsi Keterangan Kasus
## <chr> <dbl> <dbl>
## 1 Sulawesi Selatan 2011 10593.
## 2 Sulawesi Selatan 2012 13702.
## 3 Sulawesi Selatan 2013 17770.
## 4 Sulawesi Selatan 2014 19384.
## 5 Sulawesi Selatan 2015 19583.
## 6 Sulawesi Selatan 2016 21043.
## 7 Sulawesi Selatan 2017 18803.
## 8 Sulawesi Selatan 2018 21894.
## 9 Sulawesi Selatan 2019 24749.
## 10 Sulawesi Selatan 2020 21551.
## 11 Sulawesi Selatan 2021 18335.Kasus Data Inflow di Provinsi Sulawesi Selatan Tahun 2013
slw4 <- datalongersulawesi %>%
filter(Provinsi == 'Sulawesi Selatan', Keterangan == '2013') %>%
select('Provinsi','Keterangan','Kasus')
slw4## # A tibble: 1 x 3
## Provinsi Keterangan Kasus
## <chr> <dbl> <dbl>
## 1 Sulawesi Selatan 2013 17770.Kasus Data Inflow di Provinsi Sulawesi Tenggara Periode 2011-2021
library(dplyr)
slw3 <- datalongersulawesi %>%
filter(Provinsi == 'Sulawesi Tenggara') %>%
select('Provinsi','Keterangan','Kasus')
slw3## # A tibble: 11 x 3
## Provinsi Keterangan Kasus
## <chr> <dbl> <dbl>
## 1 Sulawesi Tenggara 2011 659.
## 2 Sulawesi Tenggara 2012 964.
## 3 Sulawesi Tenggara 2013 6093.
## 4 Sulawesi Tenggara 2014 2256.
## 5 Sulawesi Tenggara 2015 2385.
## 6 Sulawesi Tenggara 2016 3491.
## 7 Sulawesi Tenggara 2017 3618.
## 8 Sulawesi Tenggara 2018 3632.
## 9 Sulawesi Tenggara 2019 4390.
## 10 Sulawesi Tenggara 2020 3353.
## 11 Sulawesi Tenggara 2021 3270.Kasus Data Inflow di Provinsi Sulawesi Tenggara Tahun 2012
slw4 <- datalongersulawesi %>%
filter(Provinsi == 'Sulawesi Tenggara', Keterangan == '2012') %>%
select('Provinsi','Keterangan','Kasus')
slw4## # A tibble: 1 x 3
## Provinsi Keterangan Kasus
## <chr> <dbl> <dbl>
## 1 Sulawesi Tenggara 2012 964.Kasus Data Inflow di Provinsi Sulawesi Barat Periode 2011-2021
library(dplyr)
slw3 <- datalongersulawesi %>%
filter(Provinsi == 'Sulawesi Barat')%>%
select('Provinsi','Keterangan','Kasus')
slw3## # A tibble: 11 x 3
## Provinsi Keterangan Kasus
## <chr> <dbl> <dbl>
## 1 Sulawesi Barat 2011 0
## 2 Sulawesi Barat 2012 0
## 3 Sulawesi Barat 2013 0
## 4 Sulawesi Barat 2014 0
## 5 Sulawesi Barat 2015 49.2
## 6 Sulawesi Barat 2016 536.
## 7 Sulawesi Barat 2017 746.
## 8 Sulawesi Barat 2018 606.
## 9 Sulawesi Barat 2019 542.
## 10 Sulawesi Barat 2020 329.
## 11 Sulawesi Barat 2021 265.Kasus Data Inflow di Provinsi Sulawesi Barat Tahun 2018
slw4 <- datalongersulawesi %>%
filter(Provinsi == 'Sulawesi Barat', Keterangan == '2018') %>%
select('Provinsi','Keterangan','Kasus')
slw4## # A tibble: 1 x 3
## Provinsi Keterangan Kasus
## <chr> <dbl> <dbl>
## 1 Sulawesi Barat 2018 606.Visualisasi Pivot Data Inflow di Sulawesi berdasarkan Provinsi
ggplot(data = datalongersulawesi, 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 Sulawesi berdasarkan Tahun
ggplot(data = datalongersulawesi, mapping = aes(x = Provinsi, y = Kasus)) + geom_point(col = "blue") + 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.