Visualisasi Pivot Data Outflow Uang Kartal di Pulau Sumatera
M. Daffa Pramuditya S., Prof. Dr. Suhartono, M.Kom
3/27/2022
Lembaga : Universitas Islam Negeri Maulana Malik Ibrahim Malang
Jurusan : Teknik Informatika
Pengertian Pivot
Pivot table adalah ringkasan data yang dikemas dalam tabel interaktif agar memudahkan dan membantu kamu untuk membuat laporan dan menganalisisnya dengan melihat perbandingan data yang kamu miliki.
Singkatnya, gunanya pivot table adalah untuk merangkum, mengelompokkan, mengeksplorasi, mempresentasikan, menghitung, dan menganalisa data.
library(readxl)## Warning: package 'readxl' was built under R version 4.1.2dataoutflowsumatera <- read_excel(path = "outflowsumatera.xlsx")
dataoutflowsumatera## # A tibble: 11 x 12
## Provinsi `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018` `2019`
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Sumatera 80092. 85235. 103288. 102338. 1.09e5 1.22e5 1.34e5 1.36e5 1.53e5
## 2 Aceh 6338. 6378. 23278. 8630. 9.64e3 1.13e4 1.18e4 1.14e4 1.31e4
## 3 Sumatera Ut~ 22176. 22495. 19235. 26391. 2.79e4 3.20e4 3.52e4 3.69e4 4.41e4
## 4 Sumatera Ba~ 5300. 6434. 6511. 7060. 7.47e3 9.20e3 1.08e4 8.45e3 9.46e3
## 5 Riau 12434. 13014. 15460. 15158. 1.58e4 1.76e4 1.81e4 1.79e4 1.93e4
## 6 Kep. Riau 5819. 6966. 8747. 10122. 9.80e3 1.01e4 1.07e4 1.26e4 1.26e4
## 7 Jambi 5217. 5013. 6302. 8361. 8.32e3 7.77e3 8.43e3 8.46e3 9.20e3
## 8 Sumatera Se~ 14524. 15600. 12693. 13372. 1.35e4 1.58e4 1.70e4 1.79e4 1.91e4
## 9 Bengkulu 2561. 2959. 6490. 4583. 4.85e3 5.16e3 5.45e3 5.50e3 6.84e3
## 10 Lampung 5724. 6376. 4571. 8339. 9.95e3 1.04e4 1.34e4 1.37e4 1.56e4
## 11 Kep. Bangka~ 0 0 0 322. 2.00e3 2.68e3 2.75e3 2.74e3 4.17e3
## # ... with 2 more variables: 2020 <dbl>, 2021 <dbl>library(tidyverse)## Warning: package 'tidyverse' was built under R version 4.1.2## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.4 v dplyr 1.0.8
## v tidyr 1.1.3 v stringr 1.4.0
## v readr 2.0.1 v forcats 0.5.1## Warning: package 'dplyr' was built under R version 4.1.2## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()Kasus Data Outflow Uang Kartal di Pulau Sumatera Periode 2011 - 2021
datalongersumatera <- dataoutflowsumatera %>%
pivot_longer(!Provinsi, names_to = "Tahun", values_to = "Kasus")
datalongersumatera## # A tibble: 121 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Sumatera 2011 80092.
## 2 Sumatera 2012 85235.
## 3 Sumatera 2013 103288.
## 4 Sumatera 2014 102338.
## 5 Sumatera 2015 109186.
## 6 Sumatera 2016 121992.
## 7 Sumatera 2017 133606.
## 8 Sumatera 2018 135676.
## 9 Sumatera 2019 153484.
## 10 Sumatera 2020 140589.
## # ... with 111 more rowsPivot Data Outflow Uang Kartal di Pulau Sumatera berdasarkan Kasus
library(dplyr)
sumatera2 <- select(datalongersumatera, Provinsi, Kasus)
sumatera2 ## # A tibble: 121 x 2
## Provinsi Kasus
## <chr> <dbl>
## 1 Sumatera 80092.
## 2 Sumatera 85235.
## 3 Sumatera 103288.
## 4 Sumatera 102338.
## 5 Sumatera 109186.
## 6 Sumatera 121992.
## 7 Sumatera 133606.
## 8 Sumatera 135676.
## 9 Sumatera 153484.
## 10 Sumatera 140589.
## # ... with 111 more rowsKasus Data Outflow Uang Kartal di Bengkulu Periode 2011 - 2021
library(dplyr)
bengkulu3 <- datalongersumatera %>%
filter(Provinsi == 'Bengkulu') %>%
select('Provinsi', 'Tahun', 'Kasus')
bengkulu3 ## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Bengkulu 2011 2561.
## 2 Bengkulu 2012 2959.
## 3 Bengkulu 2013 6490.
## 4 Bengkulu 2014 4583.
## 5 Bengkulu 2015 4852.
## 6 Bengkulu 2016 5163.
## 7 Bengkulu 2017 5447.
## 8 Bengkulu 2018 5495.
## 9 Bengkulu 2019 6842.
## 10 Bengkulu 2020 6564.
## 11 Bengkulu 2021 4681.Kasus Data Outflow Uang Kartal di Bengkulu Tahun 2021
bengkulu4 <- datalongersumatera %>%
filter(Provinsi == 'Bengkulu', Tahun == '2021') %>%
select('Provinsi', 'Tahun', 'Kasus')
bengkulu4## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Bengkulu 2021 4681.Kasus Data Outflow Uang Kartal di Jambi Periode 2011-2021
library(dplyr)
jambi <- datalongersumatera %>%
filter(Provinsi == 'Jambi') %>%
select('Provinsi', 'Tahun', 'Kasus')
jambi## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jambi 2011 5217.
## 2 Jambi 2012 5013.
## 3 Jambi 2013 6302.
## 4 Jambi 2014 8361.
## 5 Jambi 2015 8325.
## 6 Jambi 2016 7774.
## 7 Jambi 2017 8434.
## 8 Jambi 2018 8459.
## 9 Jambi 2019 9204.
## 10 Jambi 2020 8950.
## 11 Jambi 2021 6046.Kasus Data Outflow Uang Kartal di Jambi Periode 2021
library(dplyr)
jambi1 <- datalongersumatera %>%
filter(Provinsi == 'Jambi', Tahun == '2021') %>%
select('Provinsi', 'Tahun', 'Kasus')
jambi1## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jambi 2021 6046.Kasus Data Outflow Uang Kartal di Sumatera Barat Periode 2011-2021
library(dplyr)
sumbar <- datalongersumatera %>%
filter(Provinsi == 'Sumatera Barat') %>%
select('Provinsi', 'Tahun', 'Kasus')
sumbar ## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Sumatera Barat 2011 5300.
## 2 Sumatera Barat 2012 6434.
## 3 Sumatera Barat 2013 6511.
## 4 Sumatera Barat 2014 7060.
## 5 Sumatera Barat 2015 7471.
## 6 Sumatera Barat 2016 9198.
## 7 Sumatera Barat 2017 10754.
## 8 Sumatera Barat 2018 8447.
## 9 Sumatera Barat 2019 9465.
## 10 Sumatera Barat 2020 8763.
## 11 Sumatera Barat 2021 5941.Kasus Data Outflow Uang Kartal di Sumatera Barat Periode 2021
library(dplyr)
sumbar1 <- datalongersumatera %>%
filter(Provinsi == 'Sumatera Barat', Tahun == '2021') %>%
select('Provinsi', 'Tahun', 'Kasus')
sumbar1## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Sumatera Barat 2021 5941.Visualisasi Pivot Data Outflow Uang Kartal di Pulau Sumatera berdasarkan Provinsi
ggplot(data = datalongersumatera, mapping = aes(x = Tahun, y = Kasus)) +
geom_point() +
facet_wrap( ~ Provinsi) +
theme(axis.text.x = element_text(angle = 90))
Visualisasi Pivot Data Outflow Uang Kartal di Pulau Sumatera berdasarkan Tahun
ggplot(data = datalongersumatera, mapping = aes(x = Provinsi, y = Kasus)) +
geom_point() +
facet_wrap( ~ Tahun) +
theme(axis.text.x = element_text(angle = 90))