Manipulasi Data di RStudio dengan Library Dplayer Pulau Jawa
Nenden Nuraeni
2022-03-27
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.
library(readxl)
inflowjawa <- read_excel(path = "InflowTahunJawa.xlsx")## New names:
## * `` -> ...1inflowjawa## # 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)## -- 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## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()Menampilkan Data Inflow Pada tahun 2014
jawa2014 <- select(inflowjawa, '2014')
jawa2014## # A tibble: 7 x 1
## `2014`
## <dbl>
## 1 NA
## 2 217303.
## 3 78660.
## 4 60476.
## 5 13890.
## 6 64276.
## 7 0Menampilkan Data Inflow Tahun 2011-2020 (Tanpa 2014)
library(tidyverse)
jawanon2014 <- select(inflowjawa, -'2014')
jawanon2014## # A tibble: 7 x 12
## ...1 Provinsi `2011` `2012` `2013` `2015` `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. 230141. 261607. 277609. 306911. 324624.
## 3 2 Jawa Ba~ 43775. 60629. 35190. 81303. 88036. 83220. 87243. 94846.
## 4 3 Jawa Te~ 35137. 43298. 42182. 65198. 72782. 77031. 87829. 90751.
## 5 4 Yogyaka~ 6490. 9173. 8939. 14831. 17350. 17483. 20574. 20899.
## 6 5 Jawa Ti~ 38515. 47383. 48687. 68808. 83439. 98380. 106433. 113651.
## 7 6 Banten 0 0 0 0 0 1495. 4832. 4477.
## # ... with 2 more variables: `2020` <dbl>, `2021` <dbl>Merubah “2013” menjadi “Tahun 2013”
library(dplyr)
rename2013 <- inflowjawa %>% rename('Tahun 2013' = '2013')
head(rename2013)## # A tibble: 6 x 13
## ...1 Provinsi `2011` `2012` `Tahun 2013` `2014` `2015` `2016` `2017`
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 NA <NA> NA NA NA NA NA NA NA
## 2 1 Jawa 123917. 160482. 134998. 217303. 230141. 261607. 277609.
## 3 2 Jawa Barat 43775. 60629. 35190. 78660. 81303. 88036. 83220.
## 4 3 Jawa Tengah 35137. 43298. 42182. 60476. 65198. 72782. 77031.
## 5 4 Yogyakarta 6490. 9173. 8939. 13890. 14831. 17350. 17483.
## 6 5 Jawa Timur 38515. 47383. 48687. 64276. 68808. 83439. 98380.
## # ... with 4 more variables: `2018` <dbl>, `2019` <dbl>, `2020` <dbl>,
## # `2021` <dbl>Menampilkan Data Inflow Provinsi Jawa Barat tahun 2011-2015
library(dplyr)
jawabarat <- inflowjawa %>%
filter(Provinsi == 'Jawa Barat') %>%
select('2011','2012','2013','2014','2015')
jawabarat## # A tibble: 1 x 5
## `2011` `2012` `2013` `2014` `2015`
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 43775. 60629. 35190. 78660. 81303.Menampilkan Data Inflow Provinsi Yogyakarta tahun 2012,2014,2016,2018
library(dplyr)
jawayogyakarta <- inflowjawa %>%
filter(Provinsi == 'Yogyakarta') %>%
select('2012','2014','2016','2018')
jawayogyakarta## # A tibble: 1 x 4
## `2012` `2014` `2016` `2018`
## <dbl> <dbl> <dbl> <dbl>
## 1 9173. 13890. 17350. 20574.Memunculkan 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 TRUEManipulasi Data: Menampilkan Visualisasi Data Inflow Uang Kuartal Pulau Jawa 2015
ggplot(data = inflowjawa, mapping = aes(x = Provinsi, y = `2015`)) +
geom_point()## Warning: Removed 1 rows containing missing values (geom_point).