Universitas : Universitas Islam Negeri Maulana Malik Ibrahim Malang
Jurusan : Teknik Informatika
Pivot Table adalah fitur yang paling powerful memungkinkan pengguna mengambil informasi dengan cepat dari kumpulan data dalam jumlah besar. Pivot Table dapat digunakan sebagai alternatif untuk melakukan analisis data terkait mengelompokkan dan meringkas data. Dengan menggunakan Pivot Table, pengguna dapat menghemat waktu secara signifikan.
library(readxl)
## Warning: package 'readxl' was built under R version 4.1.3
dataoutflowjawa <- read_excel(path = "outflow tahunan.xlsx")
dataoutflowjawa
## # A tibble: 6 x 12
## Provinsi `2011` `2012` `2013` `2014` `2015` `2016` `2017` `2018` `2019` `2020`
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Jawa 83511. 1.11e5 98969. 1.47e5 1.72e5 1.91e5 2.29e5 2.53e5 2.72e5 2.51e5
## 2 Jawa Ba~ 20782. 2.89e4 23067. 4.09e4 4.71e4 4.94e4 5.38e4 6.14e4 6.17e4 5.72e4
## 3 Jawa Te~ 19975. 2.85e4 29529. 3.91e4 4.68e4 5.37e4 6.28e4 6.94e4 7.24e4 7.23e4
## 4 Yogyaka~ 7538. 9.49e3 9708. 1.32e4 1.41e4 1.30e4 1.68e4 2.04e4 2.14e4 1.66e4
## 5 Jawa Ti~ 35217. 4.45e4 36665. 5.39e4 6.36e4 7.45e4 9.34e4 9.80e4 1.06e5 9.34e4
## 6 Banten 0 0 0 0 0 0 2.11e3 4.05e3 1.10e4 1.18e4
## # ... with 1 more variable: `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 '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()
datalongerjawa <- dataoutflowjawa %>%
pivot_longer(!Provinsi, names_to = "Tahun", values_to = "Kasus")
datalongerjawa
## # A tibble: 66 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa 2011 83511.
## 2 Jawa 2012 111363.
## 3 Jawa 2013 98969.
## 4 Jawa 2014 147069.
## 5 Jawa 2015 171568.
## 6 Jawa 2016 190568.
## 7 Jawa 2017 228905.
## 8 Jawa 2018 253125.
## 9 Jawa 2019 271957.
## 10 Jawa 2020 251363.
## # ... with 56 more rows
library(dplyr)
jawa2 <- select(datalongerjawa, Provinsi, Kasus)
jawa2
## # A tibble: 66 x 2
## Provinsi Kasus
## <chr> <dbl>
## 1 Jawa 83511.
## 2 Jawa 111363.
## 3 Jawa 98969.
## 4 Jawa 147069.
## 5 Jawa 171568.
## 6 Jawa 190568.
## 7 Jawa 228905.
## 8 Jawa 253125.
## 9 Jawa 271957.
## 10 Jawa 251363.
## # ... with 56 more rows
library(dplyr)
jawa3 <- datalongerjawa %>%
filter(Provinsi == 'Jawa Timur') %>%
select('Provinsi', 'Tahun', 'Kasus')
jawa3
## # A tibble: 11 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Timur 2011 35217.
## 2 Jawa Timur 2012 44489.
## 3 Jawa Timur 2013 36665.
## 4 Jawa Timur 2014 53931.
## 5 Jawa Timur 2015 63585.
## 6 Jawa Timur 2016 74491.
## 7 Jawa Timur 2017 93396.
## 8 Jawa Timur 2018 97995.
## 9 Jawa Timur 2019 105514.
## 10 Jawa Timur 2020 93374.
## 11 Jawa Timur 2021 46029.
jawa4 <- datalongerjawa %>%
filter(Provinsi == 'Jawa Timur', Tahun == '2021') %>%
select('Provinsi', 'Tahun', 'Kasus')
jawa4
## # A tibble: 1 x 3
## Provinsi Tahun Kasus
## <chr> <chr> <dbl>
## 1 Jawa Timur 2021 46029.
ggplot(data = datalongerjawa, mapping = aes(x = Tahun, y = Kasus)) +
geom_point() +
facet_wrap( ~ Provinsi) +
theme(axis.text.x = element_text(angle = 90))
ggplot(data = datalongerjawa, mapping = aes(x = Provinsi, y = Kasus)) +
geom_point() +
facet_wrap( ~ Tahun) +
theme(axis.text.x = element_text(angle = 90))