Lembaga : Universitas Islam Negeri Maulana Malik Ibrahim Malang

Fakultas : Sains dan Teknologi

Program Studi : Teknik Informatika

Mata Kuliah : Linear Algebra (C)

0.1 Manipulasi Data Outflow Uang Kartal

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.

0.1.1 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 :

0.1.1.1 Memanggil data dari excel

library(readxl)
## Warning: package 'readxl' was built under R version 4.1.3
OutJawa <- read_excel("OutJawa.xlsx")
OutJawa
0.1.1.1.1 Memanggil data tahun dan memilih sesuai keinginan
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 4.1.3
## 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()
Jawa2020 <- select(OutJawa, '2020')
Jawa2020
0.1.1.1.1.1 Menghilangkan tahun sesuai pilihan
library(tidyverse)
Jawanon2011 <- select(OutJawa, -'2011')
Jawanon2011
0.1.1.1.1.2 Memanggil dan Memilih tahun kemudian mengganti sesuai keinginan
Jawa2011 <- OutJawa %>% select('2011')
Jawa2011
library(dplyr)
Jawatahun <- OutJawa %>% rename('2010' = '2011')
head(Jawatahun)
library(dplyr)
Data_Jawa <- OutJawa %>%
    filter(Provinsi == 'Jawa') %>%
    select('2014','2015')
Data_Jawa
library(dplyr)
JWup1 <- OutJawa %>%
    filter(Provinsi == 'Jawa Barat', Provinsi == 'Jawa Tengah') %>%
    select('2014','2015')
JWup1

0.1.2 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
OutJawa %>%
    filter(Provinsi == 'Yogyakarta') %>%
    count('2013', sort = TRUE)
JWacehup1 <- OutJawa %>%
    mutate('2010' = OutJawa$'2013'/2)
JWacehup1

0.2 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`))

0.2.1 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()