Pengertian Manipulasi Data

Manipulasi data, manipulasi data dapat diartikan sebagai proses perubahan data sesuai dengan aturan yang kita terapkan. Manfaat manipulasi data dapat kita gunakan untuk melakukan prediksi data. Dengan adanya prediksi tersebut kita dapat membuat rencana untuk mencegah hal-hal yang tidak kita inginkan.

Pengertian Inflow-Outflow Uang Kuartal

Inflow adalah uang yang masuk ke Bank Indonesia melalui kegiatan penyetoran, dan outflow adalah uang yang keluar dari Bank Indonesia melalui kegiatan penarikan.

Import Data dari Excel

library(readxl)
## Warning: package 'readxl' was built under R version 4.1.2
inflowjawa <- read_excel(path = "D:/1. PERKULIAHAN/Semester 2/Linier Algebra/data/inflowjawatahunan.xlsx")
## New names:
## * `` -> ...1
inflowjawa
## # A tibble: 7 x 13
##    ...1 Provinsi  `2011`  `2012`  `2013`  `2014`  `2015`  `2016`  `2017`  `2018`
##   <dbl> <chr>      <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
## 1    NA <NA>         NA      NA      NA      NA      NA      NA      NA      NA 
## 2     1 Jawa     123917. 160482. 134998. 217303. 230141. 261607. 277609. 306911.
## 3     2 Jawa Ba~  43775.  60629.  35190.  78660.  81303.  88036.  83220.  87243.
## 4     3 Jawa Te~  35137.  43298.  42182.  60476.  65198.  72782.  77031.  87829.
## 5     4 Yogyaka~   6490.   9173.   8939.  13890.  14831.  17350.  17483.  20574.
## 6     5 Jawa Ti~  38515.  47383.  48687.  64276.  68808.  83439.  98380. 106433.
## 7     6 Banten        0       0       0       0       0       0    1495.   4832.
## # ... 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 4.1.2
## 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()

Manipulasi Data: Data Inflow Pulau Jawa Pada tahun 2015

jawa2015 <- select(inflowjawa, '2015')
jawa2015
## # A tibble: 7 x 1
##    `2015`
##     <dbl>
## 1     NA 
## 2 230141.
## 3  81303.
## 4  65198.
## 5  14831.
## 6  68808.
## 7      0

Manipulasi Data: Data Inflow Pulau Jawa Tahun 2011-2020 (Tanpa 2015)

library(tidyverse)
jawanon2015 <- select(inflowjawa, -'2015')
jawanon2015
## # A tibble: 7 x 12
##    ...1 Provinsi  `2011`  `2012`  `2013`  `2014`  `2016`  `2017`  `2018`  `2019`
##   <dbl> <chr>      <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
## 1    NA <NA>         NA      NA      NA      NA      NA      NA      NA      NA 
## 2     1 Jawa     123917. 160482. 134998. 217303. 261607. 277609. 306911. 324624.
## 3     2 Jawa Ba~  43775.  60629.  35190.  78660.  88036.  83220.  87243.  94846.
## 4     3 Jawa Te~  35137.  43298.  42182.  60476.  72782.  77031.  87829.  90751.
## 5     4 Yogyaka~   6490.   9173.   8939.  13890.  17350.  17483.  20574.  20899.
## 6     5 Jawa Ti~  38515.  47383.  48687.  64276.  83439.  98380. 106433. 113651.
## 7     6 Banten        0       0       0       0       0    1495.   4832.   4477.
## # ... with 2 more variables: `2020` <dbl>, `2021` <dbl>

Manipulasi Data: Merubah “2015” menjadi “Duaribu Lima belas”

library(dplyr)
rename2011 <- inflowjawa %>% rename('Duaribu Lima belas' = '2015')
head(rename2011)
## # A tibble: 6 x 13
##    ...1 Provinsi     `2011`  `2012`  `2013`  `2014` `Duaribu Lima belas`  `2016`
##   <dbl> <chr>         <dbl>   <dbl>   <dbl>   <dbl>                <dbl>   <dbl>
## 1    NA <NA>            NA      NA      NA      NA                   NA      NA 
## 2     1 Jawa        123917. 160482. 134998. 217303.              230141. 261607.
## 3     2 Jawa Barat   43775.  60629.  35190.  78660.               81303.  88036.
## 4     3 Jawa Tengah  35137.  43298.  42182.  60476.               65198.  72782.
## 5     4 Yogyakarta    6490.   9173.   8939.  13890.               14831.  17350.
## 6     5 Jawa Timur   38515.  47383.  48687.  64276.               68808.  83439.
## # ... with 5 more variables: `2017` <dbl>, `2018` <dbl>, `2019` <dbl>,
## #   `2020` <dbl>, `2021` <dbl>

Manipulasi Data: Menampilkan Data Inflow Provinsi Jawa Tengah tahun 2011-2015

library(dplyr)
pjawa <- inflowjawa %>%
    filter(Provinsi == 'Jawa Tengah') %>%
    select('2011','2012','2013','2014','2015')
pjawa
## # A tibble: 1 x 5
##   `2011` `2012` `2013` `2014` `2015`
##    <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 35137. 43298. 42182. 60476. 65198.

Manipulasi Data: Menampilkan Data Inflow Provinsi NTB tahun 2012,2014,2016,2018

library(dplyr)
banten <- inflowjawa %>%
    filter(Provinsi == 'Banten') %>%
    select('2017','2018','2019','2020')
banten
## # A tibble: 1 x 4
##   `2017` `2018` `2019` `2020`
##    <dbl>  <dbl>  <dbl>  <dbl>
## 1  1495.  4832.  4477.  3396.

Manipulasi Data: Menampilkan Struktur Data Inflow Uang Kuartal Pulau Jawa

str(inflowjawa)
## tibble [7 x 13] (S3: tbl_df/tbl/data.frame)
##  $ ...1    : num [1:7] NA 1 2 3 4 5 6
##  $ Provinsi: chr [1:7] NA "Jawa" "Jawa Barat" "Jawa Tengah" ...
##  $ 2011    : num [1:7] NA 123917 43775 35137 6490 ...
##  $ 2012    : num [1:7] NA 160482 60629 43298 9173 ...
##  $ 2013    : num [1:7] NA 134998 35190 42182 8939 ...
##  $ 2014    : num [1:7] NA 217303 78660 60476 13890 ...
##  $ 2015    : num [1:7] NA 230141 81303 65198 14831 ...
##  $ 2016    : num [1:7] NA 261607 88036 72782 17350 ...
##  $ 2017    : num [1:7] NA 277609 83220 77031 17483 ...
##  $ 2018    : num [1:7] NA 306911 87243 87829 20574 ...
##  $ 2019    : num [1:7] NA 324624 94846 90751 20899 ...
##  $ 2020    : num [1:7] NA 259444 76883 84970 7348 ...
##  $ 2021    : num [1:7] NA 187816 57295 62024 6714 ...
str(inflowjawa %>% group_by(Provinsi))
## grouped_df [7 x 13] (S3: grouped_df/tbl_df/tbl/data.frame)
##  $ ...1    : num [1:7] NA 1 2 3 4 5 6
##  $ Provinsi: chr [1:7] NA "Jawa" "Jawa Barat" "Jawa Tengah" ...
##  $ 2011    : num [1:7] NA 123917 43775 35137 6490 ...
##  $ 2012    : num [1:7] NA 160482 60629 43298 9173 ...
##  $ 2013    : num [1:7] NA 134998 35190 42182 8939 ...
##  $ 2014    : num [1:7] NA 217303 78660 60476 13890 ...
##  $ 2015    : num [1:7] NA 230141 81303 65198 14831 ...
##  $ 2016    : num [1:7] NA 261607 88036 72782 17350 ...
##  $ 2017    : num [1:7] NA 277609 83220 77031 17483 ...
##  $ 2018    : num [1:7] NA 306911 87243 87829 20574 ...
##  $ 2019    : num [1:7] NA 324624 94846 90751 20899 ...
##  $ 2020    : num [1:7] NA 259444 76883 84970 7348 ...
##  $ 2021    : num [1:7] NA 187816 57295 62024 6714 ...
##  - attr(*, "groups")= tibble [7 x 2] (S3: tbl_df/tbl/data.frame)
##   ..$ Provinsi: chr [1:7] "Banten" "Jawa" "Jawa Barat" "Jawa Tengah" ...
##   ..$ .rows   : list<int> [1:7] 
##   .. ..$ : int 7
##   .. ..$ : int 2
##   .. ..$ : int 3
##   .. ..$ : int 4
##   .. ..$ : int 6
##   .. ..$ : int 5
##   .. ..$ : int 1
##   .. ..@ ptype: int(0) 
##   ..- attr(*, ".drop")= logi TRUE

Manipulasi Data: Menampilkan Visualisasi Data Inflow Uang Kuartal Pulau Jawa 2020

ggplot(data = inflowjawa, mapping = aes(x = Provinsi, y = `2020`)) +
  geom_point()
## Warning: Removed 1 rows containing missing values (geom_point).