Orange: Pivot Table - Revision history

Onnowpurbo: /* Variable Diskrit */

2020-04-16T07:47:57Z

Variable Diskrit

← Older revision		Revision as of 07:47, 16 April 2020
Line 45:		Line 45:
	Kita telah memilih Count dan Mayoritas sebagai metode agregasi. Dalam widget Pivot Table, kita dapat melihat jumlah instance yang tidak memiliki penyempitan diameter dan wanita. Ada 72 pasien seperti itu. Secara bersamaan, ada 92 pasien pria yang tidak mengalami penyempitan diameter. Nilai Thal tidak berpengaruh di sini, kita hanya menghitung kejadian dalam data.		Kita telah memilih Count dan Mayoritas sebagai metode agregasi. Dalam widget Pivot Table, kita dapat melihat jumlah instance yang tidak memiliki penyempitan diameter dan wanita. Ada 72 pasien seperti itu. Secara bersamaan, ada 92 pasien pria yang tidak mengalami penyempitan diameter. Nilai Thal tidak berpengaruh di sini, kita hanya menghitung kejadian dalam data.

	Baris kedua menunjukkan mayoritas. Ini berarti sebagian besar pasien wanita yang tidak mengalami penyempitan diameter memiliki hasil normal. Sebaliknya, pasien wanita yang mengalami penyempitan diameter paling sering memiliki reversable defect ~~cacat yang dapat dibalikkan~~.		Baris kedua menunjukkan mayoritas. Ini berarti sebagian besar pasien wanita yang tidak mengalami penyempitan diameter memiliki hasil normal. Sebaliknya, pasien wanita yang mengalami penyempitan diameter paling sering memiliki reversable defect.

	==Variabel Numerik==		==Variabel Numerik==

Onnowpurbo: /* Variable Diskrit */

2020-04-16T07:47:40Z

Variable Diskrit

← Older revision		Revision as of 07:47, 16 April 2020
Line 45:		Line 45:
	Kita telah memilih Count dan Mayoritas sebagai metode agregasi. Dalam widget Pivot Table, kita dapat melihat jumlah instance yang tidak memiliki penyempitan diameter dan wanita. Ada 72 pasien seperti itu. Secara bersamaan, ada 92 pasien pria yang tidak mengalami penyempitan diameter. Nilai Thal tidak berpengaruh di sini, kita hanya menghitung kejadian dalam data.		Kita telah memilih Count dan Mayoritas sebagai metode agregasi. Dalam widget Pivot Table, kita dapat melihat jumlah instance yang tidak memiliki penyempitan diameter dan wanita. Ada 72 pasien seperti itu. Secara bersamaan, ada 92 pasien pria yang tidak mengalami penyempitan diameter. Nilai Thal tidak berpengaruh di sini, kita hanya menghitung kejadian dalam data.

	Baris kedua menunjukkan mayoritas. Ini berarti sebagian besar pasien wanita yang tidak mengalami penyempitan diameter memiliki hasil normal. Sebaliknya, pasien wanita yang mengalami penyempitan diameter paling sering memiliki cacat yang dapat dibalikkan.		Baris kedua menunjukkan mayoritas. Ini berarti sebagian besar pasien wanita yang tidak mengalami penyempitan diameter memiliki hasil normal. Sebaliknya, pasien wanita yang mengalami penyempitan diameter paling sering memiliki reversable defect cacat yang dapat dibalikkan.

	==Variabel Numerik==		==Variabel Numerik==

Onnowpurbo: /* Output */

2020-04-16T07:18:38Z

Output

← Older revision		Revision as of 07:18, 16 April 2020
Line 14:		Line 14:
	Grouped Data: aggregates over groups defined by row values		Grouped Data: aggregates over groups defined by row values

	Widget Pivot Table merangkum data dari tabel yang lebih luas ke dalam tabel statistik. Statistik dapat mencakup jumlah, rata-rata, jumlah, dll. Widget ~~ini~~ juga memungkinkan pemilihan subset dari tabel dan pengelompokan berdasarkan nilai baris, yang harus berupa variabel diskrit. Data dengan hanya variabel numerik tidak dapat ditampilkan dalam tabel.		Widget Pivot Table merangkum data dari tabel yang lebih luas ke dalam tabel statistik. Statistik dapat mencakup jumlah, rata-rata, jumlah, dll. Widget Pivot Table juga memungkinkan pemilihan subset dari tabel dan pengelompokan berdasarkan nilai baris, yang harus berupa variabel diskrit. Data dengan hanya variabel numerik tidak dapat ditampilkan dalam tabel.

	[[File:Pivot-stamped.png\|center\|400px\|thumb]]		[[File:Pivot-stamped.png\|center\|400px\|thumb]]

Onnowpurbo: /* Output */

2020-04-16T07:16:19Z

Output

← Older revision		Revision as of 07:16, 16 April 2020
Line 16:		Line 16:
	Widget Pivot Table merangkum data dari tabel yang lebih luas ke dalam tabel statistik. Statistik dapat mencakup jumlah, rata-rata, jumlah, dll. Widget ini juga memungkinkan pemilihan subset dari tabel dan pengelompokan berdasarkan nilai baris, yang harus berupa variabel diskrit. Data dengan hanya variabel numerik tidak dapat ditampilkan dalam tabel.		Widget Pivot Table merangkum data dari tabel yang lebih luas ke dalam tabel statistik. Statistik dapat mencakup jumlah, rata-rata, jumlah, dll. Widget ini juga memungkinkan pemilihan subset dari tabel dan pengelompokan berdasarkan nilai baris, yang harus berupa variabel diskrit. Data dengan hanya variabel numerik tidak dapat ditampilkan dalam tabel.

	[[File:Pivot-stamped.png\|center\|~~200px~~\|thumb]]		[[File:Pivot-stamped.png\|center\|400px\|thumb]]

	* Discrete or numeric variable used for row values. Numeric variables are considered as integers.		* Discrete or numeric variable used for row values. Numeric variables are considered as integers.

Onnowpurbo: /* Contoh */

2020-04-16T07:16:02Z

Contoh

← Older revision		Revision as of 07:16, 16 April 2020
Line 63:		Line 63:
	Akhirnya, data kita siap. Mari kita masukan ke widget Line Plot. Kita dapat melihat bahwa kebakaran hutan paling umum terjadi pada bulan Agustus dan September, sementara frekuensinya lebih tinggi selama akhir pekan dibandingkan pada hari kerja.		Akhirnya, data kita siap. Mari kita masukan ke widget Line Plot. Kita dapat melihat bahwa kebakaran hutan paling umum terjadi pada bulan Agustus dan September, sementara frekuensinya lebih tinggi selama akhir pekan dibandingkan pada hari kerja.

	[[File:Pivot-example.png\|center\|~~200px~~\|thumb]]		[[File:Pivot-example.png\|center\|600px\|thumb]]

	==Referensi==		==Referensi==

Onnowpurbo: /* Variabel Numerik */

2020-04-16T07:15:49Z

Variabel Numerik

← Older revision		Revision as of 07:15, 16 April 2020
Line 49:		Line 49:
	==Variabel Numerik==		==Variabel Numerik==

	[[File:Pivot-continuous.png\|\|center\|~~200px~~\|thumb]]		[[File:Pivot-continuous.png\|\|center\|600px\|thumb]]

	Contoh widget Pivot Table dengan variabel numerik. Kita menggunakan dataset heart-disease untuk contoh ini. Baris sesuai dengan nilai-nilai variabel penyempitan diameter. Kolom kita adalah nilai-nilai gender, yaitu perempuan dan laki-laki. Kita menggunakan sisa SBP sebagai nilai dalam sel kita.		Contoh widget Pivot Table dengan variabel numerik. Kita menggunakan dataset heart-disease untuk contoh ini. Baris sesuai dengan nilai-nilai variabel penyempitan diameter. Kolom kita adalah nilai-nilai gender, yaitu perempuan dan laki-laki. Kita menggunakan sisa SBP sebagai nilai dalam sel kita.

Onnowpurbo at 02:21, 16 April 2020

2020-04-16T02:21:55Z

← Older revision		Revision as of 02:21, 16 April 2020
Line 2:		Line 2:


	~~Bentuk~~ kembali tabel data berdasarkan nilai kolom.		Widget Pivot Table membentuk kembali tabel data berdasarkan nilai kolom.

	==Input==		==Input==
Line 14:		Line 14:
	Grouped Data: aggregates over groups defined by row values		Grouped Data: aggregates over groups defined by row values

	Pivot Table merangkum data dari tabel yang lebih luas ke dalam tabel statistik. Statistik dapat mencakup jumlah, rata-rata, jumlah, dll. Widget ini juga memungkinkan pemilihan subset dari tabel dan pengelompokan berdasarkan nilai baris, yang harus berupa variabel diskrit. Data dengan hanya variabel numerik tidak dapat ditampilkan dalam tabel.		Widget Pivot Table merangkum data dari tabel yang lebih luas ke dalam tabel statistik. Statistik dapat mencakup jumlah, rata-rata, jumlah, dll. Widget ini juga memungkinkan pemilihan subset dari tabel dan pengelompokan berdasarkan nilai baris, yang harus berupa variabel diskrit. Data dengan hanya variabel numerik tidak dapat ditampilkan dalam tabel.

	[[File:Pivot-stamped.png\|center\|200px\|thumb]]		[[File:Pivot-stamped.png\|center\|200px\|thumb]]
Line 39:		Line 39:
	==Variable Diskrit==		==Variable Diskrit==

	[[File:Pivot-discrete.png\|center\|~~200px~~\|thumb]]		[[File:Pivot-discrete.png\|center\|600px\|thumb]]
	Contoh tabel pivot dengan hanya variabel diskrit yang dipilih. Kita menggunakan heart-disease data set untuk contoh ini. Baris sesuai dengan nilai-nilai variabel penyempitan diameter. Kolom kita adalah nilai-nilai gender, yaitu perempuan dan laki-laki. Kita menggunakan thal sebagai nilai dalam sel kami.

	Kita telah memilih Count dan Mayoritas sebagai metode agregasi. Dalam ~~pivot table~~, kita dapat melihat jumlah instance yang tidak memiliki penyempitan diameter dan wanita. Ada 72 pasien seperti itu. Secara bersamaan, ada 92 pasien pria yang tidak mengalami penyempitan diameter. Nilai Thal tidak berpengaruh di sini, kita hanya menghitung kejadian dalam data.		Contoh Widget Pivot Table dengan hanya variabel diskrit yang dipilih. Kita menggunakan dataset heart-disease untuk contoh ini. Baris sesuai dengan nilai-nilai variabel penyempitan diameter. Kolom kita adalah nilai-nilai gender, yaitu perempuan dan laki-laki. Kita menggunakan thal sebagai nilai dalam sel kita.

			Kita telah memilih Count dan Mayoritas sebagai metode agregasi. Dalam widget Pivot Table, kita dapat melihat jumlah instance yang tidak memiliki penyempitan diameter dan wanita. Ada 72 pasien seperti itu. Secara bersamaan, ada 92 pasien pria yang tidak mengalami penyempitan diameter. Nilai Thal tidak berpengaruh di sini, kita hanya menghitung kejadian dalam data.

	Baris kedua menunjukkan mayoritas. Ini berarti sebagian besar pasien wanita yang tidak mengalami penyempitan diameter memiliki hasil normal. Sebaliknya, pasien wanita yang mengalami penyempitan diameter paling sering memiliki cacat yang dapat dibalikkan.		Baris kedua menunjukkan mayoritas. Ini berarti sebagian besar pasien wanita yang tidak mengalami penyempitan diameter memiliki hasil normal. Sebaliknya, pasien wanita yang mengalami penyempitan diameter paling sering memiliki cacat yang dapat dibalikkan.
Line 50:		Line 51:
	[[File:Pivot-continuous.png\|\|center\|200px\|thumb]]		[[File:Pivot-continuous.png\|\|center\|200px\|thumb]]

	Contoh ~~tabel pivot~~ dengan variabel numerik. Kita menggunakan heart-disease ~~data set~~ untuk contoh ini. Baris sesuai dengan nilai-nilai variabel penyempitan diameter. Kolom kita adalah nilai-nilai gender, yaitu perempuan dan laki-laki. Kita menggunakan sisa SBP sebagai nilai dalam sel kita.		Contoh widget Pivot Table dengan variabel numerik. Kita menggunakan dataset heart-disease untuk contoh ini. Baris sesuai dengan nilai-nilai variabel penyempitan diameter. Kolom kita adalah nilai-nilai gender, yaitu perempuan dan laki-laki. Kita menggunakan sisa SBP sebagai nilai dalam sel kita.

	Kita memilih Count, Sum and Median sebagai metode agregasi. Di bawah Count, kita melihat ada 72 pasien wanita yang tidak memiliki penyempitan diameter, sama seperti sebelumnya untuk nilai diskrit. Yang berbeda adalah sum dan median agregasi. Kita melihat bahwa jumlah tekanan darah sistolik istirahat untuk pasien wanita yang tidak memiliki penyempitan diameter adalah 9269 dan nilai median adalah 130.		Kita memilih Count, Sum and Median sebagai metode agregasi. Di bawah Count, kita melihat ada 72 pasien wanita yang tidak memiliki penyempitan diameter, sama seperti sebelumnya untuk nilai diskrit. Yang berbeda adalah sum dan median agregasi. Kita melihat bahwa jumlah tekanan darah sistolik istirahat untuk pasien wanita yang tidak memiliki penyempitan diameter adalah 9269 dan nilai median adalah 130.
Line 56:		Line 57:
	==Contoh==		==Contoh==

	Kita menggunakan Forest Fires untuk contoh ini. Data dimuat di Datasets ~~widget~~ dan diteruskan ke Pivot Table. Forest Fires ~~datasets~~ melaporkan kebakaran hutan pada bulan dan hari terjadinya. Kita dapat menggabungkan semua kejadian kebakaran hutan dengan memilih Hitung sebagai metode agregasi dan menggunakan bulan sebagai baris dan hari sebagai nilai kolom. Karena jika kita menggunakan Count, nilai variabel tidak ada effek-nya.		Kita menggunakan dataset Forest Fires untuk contoh ini. Data dimuat di widget Datasets dan diteruskan ke widget Pivot Table. Dataset Forest Fires melaporkan kebakaran hutan pada bulan dan hari terjadinya. Kita dapat menggabungkan semua kejadian kebakaran hutan dengan memilih Hitung sebagai metode agregasi dan menggunakan bulan sebagai baris dan hari sebagai nilai kolom. Karena jika kita menggunakan Count, nilai variabel tidak ada effek-nya.

	Kita dapat memplot count dalam Line Plot. Tapi pertama-tama, mari kita sedikit mengatur data kita. Dengan Edit Domain, kita akan menyusun ulang nilai baris sehingga bulan akan muncul dalam urutan yang benar, yaitu dari Januari hingga Desember. Untuk melakukan hal yang sama pada kolom, kami akan menggunakan Select Columns dan menyusun ulang hari dari Monday hingga Sunday.		Kita dapat memplot count dalam widget Line Plot. Tapi pertama-tama, mari kita sedikit mengatur data kita. Dengan Edit Domain, kita akan menyusun ulang nilai baris sehingga bulan akan muncul dalam urutan yang benar, yaitu dari Januari hingga Desember. Untuk melakukan hal yang sama pada kolom, kami akan menggunakan widget Select Columns dan menyusun ulang hari dari Monday hingga Sunday.

	Akhirnya, data kita siap. Mari kita masukan ke Line Plot. Kita dapat melihat bahwa kebakaran hutan paling umum terjadi pada bulan Agustus dan September, sementara frekuensinya lebih tinggi selama akhir pekan dibandingkan pada hari kerja.		Akhirnya, data kita siap. Mari kita masukan ke widget Line Plot. Kita dapat melihat bahwa kebakaran hutan paling umum terjadi pada bulan Agustus dan September, sementara frekuensinya lebih tinggi selama akhir pekan dibandingkan pada hari kerja.

	[[File:Pivot-example.png\|center\|200px\|thumb]]		[[File:Pivot-example.png\|center\|200px\|thumb]]

Onnowpurbo: /* Contoh */

2020-01-30T00:25:49Z

Contoh

← Older revision		Revision as of 00:25, 30 January 2020
Line 56:		Line 56:
	==Contoh==		==Contoh==

	~~We are using~~ Forest Fires ~~for this example~~. ~~The data is loaded in the~~ Datasets widget ~~and passed to~~ Pivot Table. Forest Fires datasets ~~reports forest fires by the month and day they happened~~. ~~We can aggregate all occurrences of forest fires by selecting Count as aggregation method and using month as row and day as column values~~. ~~Since we are using~~ Count, ~~Values variable will have no effect~~.		Kita menggunakan Forest Fires untuk contoh ini. Data dimuat di Datasets widget dan diteruskan ke Pivot Table. Forest Fires datasets melaporkan kebakaran hutan pada bulan dan hari terjadinya. Kita dapat menggabungkan semua kejadian kebakaran hutan dengan memilih Hitung sebagai metode agregasi dan menggunakan bulan sebagai baris dan hari sebagai nilai kolom. Karena jika kita menggunakan Count, nilai variabel tidak ada effek-nya.

	~~We can plot the counts in~~ Line Plot. ~~But first~~, ~~let us organize our~~ data ~~a bit~~. ~~With~~ Edit Domain, ~~we will reorder rows values so that months will appear in the correct order~~, ~~namely from January to December~~. ~~To do the same for columns~~, ~~we will use~~ Select Columns ~~and reorder day to go from~~ Monday to Sunday.		Kita dapat memplot count dalam Line Plot. Tapi pertama-tama, mari kita sedikit mengatur data kita. Dengan Edit Domain, kita akan menyusun ulang nilai baris sehingga bulan akan muncul dalam urutan yang benar, yaitu dari Januari hingga Desember. Untuk melakukan hal yang sama pada kolom, kami akan menggunakan Select Columns dan menyusun ulang hari dari Monday hingga Sunday.

	~~Finally~~, ~~our~~ data ~~is ready~~. ~~Let us pass it to~~ Line Plot. ~~We can see that forest fires are most common in August and~~ September, ~~while their frequency is higher during the weekend than during weekdays~~.		Akhirnya, data kita siap. Mari kita masukan ke Line Plot. Kita dapat melihat bahwa kebakaran hutan paling umum terjadi pada bulan Agustus dan September, sementara frekuensinya lebih tinggi selama akhir pekan dibandingkan pada hari kerja.

	[[File:Pivot-example.png\|center\|200px\|thumb]]		[[File:Pivot-example.png\|center\|200px\|thumb]]



	==Referensi==		==Referensi==

Onnowpurbo: /* Variabel Numerik */

2020-01-30T00:20:32Z

Variabel Numerik

← Older revision		Revision as of 00:20, 30 January 2020
Line 50:		Line 50:
	[[File:Pivot-continuous.png\|\|center\|200px\|thumb]]		[[File:Pivot-continuous.png\|\|center\|200px\|thumb]]

	~~Example of a~~ pivot ~~table with numeric variables~~. ~~We are using~~ heart-disease data set ~~for this example~~. ~~Rows correspond to values of~~ diameter ~~narrowing variable~~. ~~Our columns are values of~~ gender, ~~namely female and male~~. ~~We are using rest~~ SBP ~~as values in our cells~~.		Contoh tabel pivot dengan variabel numerik. Kita menggunakan heart-disease data set untuk contoh ini. Baris sesuai dengan nilai-nilai variabel penyempitan diameter. Kolom kita adalah nilai-nilai gender, yaitu perempuan dan laki-laki. Kita menggunakan sisa SBP sebagai nilai dalam sel kita.

	~~We have selected~~ Count, Sum and Median ~~as aggregation methods~~. ~~Under~~ Count, ~~we see there are~~ 72 ~~female patients that don’t have~~ diameter ~~narrowing~~, ~~same as before for discrete values~~. ~~What is different are the~~ sum ~~and~~ median ~~aggregations~~. ~~We see that the sum of resting systolic blood pressure for female patients that don’t have~~ diameter ~~narrowing is~~ 9269 ~~and the~~ median ~~value is~~ 130.		Kita memilih Count, Sum and Median sebagai metode agregasi. Di bawah Count, kita melihat ada 72 pasien wanita yang tidak memiliki penyempitan diameter, sama seperti sebelumnya untuk nilai diskrit. Yang berbeda adalah sum dan median agregasi. Kita melihat bahwa jumlah tekanan darah sistolik istirahat untuk pasien wanita yang tidak memiliki penyempitan diameter adalah 9269 dan nilai median adalah 130.

	==Contoh==		==Contoh==

Onnowpurbo: /* Numeric variables */

2020-01-30T00:10:51Z

Numeric variables

← Older revision		Revision as of 00:10, 30 January 2020
Line 46:		Line 46:
	Baris kedua menunjukkan mayoritas. Ini berarti sebagian besar pasien wanita yang tidak mengalami penyempitan diameter memiliki hasil normal. Sebaliknya, pasien wanita yang mengalami penyempitan diameter paling sering memiliki cacat yang dapat dibalikkan.		Baris kedua menunjukkan mayoritas. Ini berarti sebagian besar pasien wanita yang tidak mengalami penyempitan diameter memiliki hasil normal. Sebaliknya, pasien wanita yang mengalami penyempitan diameter paling sering memiliki cacat yang dapat dibalikkan.

	==~~Numeric variables~~==		==Variabel Numerik==

	[[File:Pivot-continuous.png\|\|center\|200px\|thumb]]		[[File:Pivot-continuous.png\|\|center\|200px\|thumb]]