Tutorial Data Carpentry: Ekstrak Informasi NJOP DKI Jakarta
Suatu ketika saya disuruh mencari Nilai Jual Objek Pajak (NJOP) per kelurahan di provinsi DKI Jakarta.
Jangan tanya ini untuk apa ya… hehe
Singkat cerita, setelah mencari sana sini, saya tidak menemukan rekapan lengkapnya di internet. Salah satu sumber paling lengkap adalah file pdf Pergub Nomor 260 Tahun 2015 yang saya dapatkan dari situs resmi Pemprov DKI Jakarta.
Masalahnya adalah file tersebut bukan pdf hasil export dari file digital seperti Ms. Words tapi berasal dari scan dokumen fisik.
Pertanyaannya:
Bisakah saya mengambil data tabel dari file
Ide untuk Pengambilan Data
Pada Pergub tersebut, ada 3741 halaman dengan 3734 halaman berisi
tabel rekapan NJOP. Bukan pilihan yang bijak untuk kita melakukan
copy-paste manual dari sekian banyak halaman tersebut.
Nah, sekarang saya akan berikan contoh cara mengambil data tersebut
dengan memanfaatkan library(pdftools) di R.
Saya akan tunjukkan cara mengambil satu tabel dari satu halaman. Dari cara tersebut, kita nantinya tinggal melakukan looping untuk semua halaman yang dibutuhkan.
Proses Pengambilan Data
Import .pdf ke dalam R Environment
Pertama-tama, kita akan import file .pdf ke dalam R
environment menggunakan library(pdftools):
hasil = pdftools::pdf_text(nama_file)
Kita lihat struktur datanya:
str(hasil)
## chr [1:3741] " I SALINANI\n GUBERNUR PROVINSI D"| __truncated__ ...
Data tersebut berbentuk vector character. Satu element vector
menandakan 1 halaman.
Tabel pertama yang akan saya jadikan contoh adalah pada halaman ke 6.
hasil[6]
## [1] " Lampiran I : Peraturan Gubernur Provinsi\n Daerah Khusus Ibukota Jakarta\n Nomor\n Tanggal\n KLASIFIKASI DAN BESARNYA NJOP PERMUKAAN BUMI BERUPA TANAH TAHUN 2016\nPROPINSI : 31 DKI JAKARTA KECAMATAN : 060 CAKUNG\nKOTA/KAB. : 72 JAKARTA TIMUR KELURAHAN : 001 JATINEGARA\n================================================================================================\nBLK NAMA JALAN KODE KELAS PENGGOLONGAN KET NILAI JUAL\n ZNT BUMI NILAI JUAL BUMI OBJEK PAJAK BUMI\n ( Rupiah/M2 ) ( Rupiah/M2 )\n================================================================================================\n001 GG RT/RW AF 153 2,091,000 s/d 2,261,000 2,176,000\n001 GG RT/RW CY 152 2,261,000 s/d 2,444,000 2,352,000\n001 GG RT/RW CZ 152 2,261,000 s/d 2,444,000 2,352,000\n001 GG RT/RW DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 GG TARUNA I DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 GG TARUNA II CZ 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL MHT DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL BEKASI TIMUR KM 18 DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL JATINEGARA AD 145 3,550,000 s/d 3,745,000 3,745,000\n001 JL JATINEGARA LIO AE 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL LIO DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL LIO I DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL LIO II AE 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL LIO II DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL PULO KAMBING AD 145 3,550,000 s/d 3,745,000 3,745,000\n001 JL PULO KAMBING II AA 134 6,195,000 s/d 6,490,000 6,343,000\n001 JL PULO KAMBING II AB 138 5,095,000 s/d 5,350,000 5,223,000\n001 JL PULO LIO AB 138 5,095,000 s/d 5,350,000 5,223,000\n001 JL PULO LIO CY 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL PULO LIO DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL PULO LIO 6 CY 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL PULO LIO KM 18 CY 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL RAYA BEKASI AA 134 6,195,000 s/d 6,490,000 6,343,000\n001 JL RAYA BEKASI AD 145 3,550,000 s/d 3,745,000 3,745,000\n001 JL RAYA BEKASI AE 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL RAYA BEKASI CY 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL RAYA BEKASI DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL RAYA BEKASI KM 30 AA 134 6,195,000 s/d 6,490,000 6,343,000\n001 JL RAYA BEKASI TIMUR AA 134 6,195,000 s/d 6,490,000 6,343,000\n001 JL RAYA BEKASI TIMUR AB 138 5,095,000 s/d 5,350,000 5,223,000\n001 JL RAYA BEKASI TIMUR CY 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL RAYA BEKASI TIMUR KM 18 AA 134 6,195,000 s/d 6,490,000 6,343,000\n001 JL RAYA BEKASI TIMUR KM 18 AD 145 3,550,000 s/d 3,745,000 3,745,000\n001 JL RAYA BEKASI TIMUR KM 18 CY 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL TARUNA AB 138 5,095,000 s/d 5,350,000 5,223,000\n001 JL TARUNA AD 145 3,550,000 s/d 3,745,000 3,745,000\n001 JL TARUNA CZ 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL TARUNA DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL TARUNA 11 AF 153 2,091,000 s/d 2,261,000 2,176,000\n001 JL TARUNA I AD 145 3,550,000 s/d 3,745,000 3,745,000\n001 JL TARUNA I AF 153 2,091,000 s/d 2,261,000 2,176,000\n001 JL TARUNA I DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL TARUNA I/I DA 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL TARUNA II AD 145 3,550,000 s/d 3,745,000 3,745,000\n001 JL TARUNA II AF 153 2,091,000 s/d 2,261,000 2,176,000\n001 JL TARUNA II CY 152 2,261,000 s/d 2,444,000 2,352,000\n001 JL TARUNA II CZ 152 2,261,000 s/d 2,444,000 2,352,000\n001 KP BEKASI TIMUR CZ 152 2,261,000 s/d 2,444,000 2,352,000\n001 KP LIO AE 152 2,261,000 s/d 2,444,000 2,352,000\n001 KP LIO JL ANGKASA DA 152 2,261,000 s/d 2,444,000 2,352,000\n"
Bentuknya masih sangat berantakan yah. Sekarang kita harus merapikannya.
Proses Perapihan
Trim White Spaces
Langkah pertama adalah menghapus semua whitespaces yang ada dalam
vector tersebut. Ada banyak cara untuk melakukannya tapi saya ingin
melakukannya dengan membuat looping (alih-alih menggunakan library
seperti stringr).
tes_lagi = hasil[[6]]
for(i in 1:10){
tes_lagi = gsub(" "," ",tes_lagi)
}
Exporting ke Dalam .txt Files
Langkah berikutnya adalah mengekspor vector tersebut ke .txt file.
Gunanya apa? Agar bisa kita baca dengan readLines(), sehingga terlihat
dengan jelas data perbarisnya kelak.
sink("tes.txt")
writeLines(tes_lagi)
sink()
Importing .txt Files Kembali ke R Environment
Sekarang kita akan readLines() file tersebut, lalu kita lihat
bagaimana hasilnya:
atas = readLines('tes.txt')
atas
## [1] " Lampiran I : Peraturan Gubernur Provinsi"
## [2] " Daerah Khusus Ibukota Jakarta"
## [3] " Nomor"
## [4] " Tanggal"
## [5] " KLASIFIKASI DAN BESARNYA NJOP PERMUKAAN BUMI BERUPA TANAH TAHUN 2016"
## [6] "PROPINSI : 31 DKI JAKARTA KECAMATAN : 060 CAKUNG"
## [7] "KOTA/KAB. : 72 JAKARTA TIMUR KELURAHAN : 001 JATINEGARA"
## [8] "================================================================================================"
## [9] "BLK NAMA JALAN KODE KELAS PENGGOLONGAN KET NILAI JUAL"
## [10] " ZNT BUMI NILAI JUAL BUMI OBJEK PAJAK BUMI"
## [11] " ( Rupiah/M2 ) ( Rupiah/M2 )"
## [12] "================================================================================================"
## [13] "001 GG RT/RW AF 153 2,091,000 s/d 2,261,000 2,176,000"
## [14] "001 GG RT/RW CY 152 2,261,000 s/d 2,444,000 2,352,000"
## [15] "001 GG RT/RW CZ 152 2,261,000 s/d 2,444,000 2,352,000"
## [16] "001 GG RT/RW DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [17] "001 GG TARUNA I DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [18] "001 GG TARUNA II CZ 152 2,261,000 s/d 2,444,000 2,352,000"
## [19] "001 JL MHT DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [20] "001 JL BEKASI TIMUR KM 18 DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [21] "001 JL JATINEGARA AD 145 3,550,000 s/d 3,745,000 3,745,000"
## [22] "001 JL JATINEGARA LIO AE 152 2,261,000 s/d 2,444,000 2,352,000"
## [23] "001 JL LIO DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [24] "001 JL LIO I DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [25] "001 JL LIO II AE 152 2,261,000 s/d 2,444,000 2,352,000"
## [26] "001 JL LIO II DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [27] "001 JL PULO KAMBING AD 145 3,550,000 s/d 3,745,000 3,745,000"
## [28] "001 JL PULO KAMBING II AA 134 6,195,000 s/d 6,490,000 6,343,000"
## [29] "001 JL PULO KAMBING II AB 138 5,095,000 s/d 5,350,000 5,223,000"
## [30] "001 JL PULO LIO AB 138 5,095,000 s/d 5,350,000 5,223,000"
## [31] "001 JL PULO LIO CY 152 2,261,000 s/d 2,444,000 2,352,000"
## [32] "001 JL PULO LIO DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [33] "001 JL PULO LIO 6 CY 152 2,261,000 s/d 2,444,000 2,352,000"
## [34] "001 JL PULO LIO KM 18 CY 152 2,261,000 s/d 2,444,000 2,352,000"
## [35] "001 JL RAYA BEKASI AA 134 6,195,000 s/d 6,490,000 6,343,000"
## [36] "001 JL RAYA BEKASI AD 145 3,550,000 s/d 3,745,000 3,745,000"
## [37] "001 JL RAYA BEKASI AE 152 2,261,000 s/d 2,444,000 2,352,000"
## [38] "001 JL RAYA BEKASI CY 152 2,261,000 s/d 2,444,000 2,352,000"
## [39] "001 JL RAYA BEKASI DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [40] "001 JL RAYA BEKASI KM 30 AA 134 6,195,000 s/d 6,490,000 6,343,000"
## [41] "001 JL RAYA BEKASI TIMUR AA 134 6,195,000 s/d 6,490,000 6,343,000"
## [42] "001 JL RAYA BEKASI TIMUR AB 138 5,095,000 s/d 5,350,000 5,223,000"
## [43] "001 JL RAYA BEKASI TIMUR CY 152 2,261,000 s/d 2,444,000 2,352,000"
## [44] "001 JL RAYA BEKASI TIMUR KM 18 AA 134 6,195,000 s/d 6,490,000 6,343,000"
## [45] "001 JL RAYA BEKASI TIMUR KM 18 AD 145 3,550,000 s/d 3,745,000 3,745,000"
## [46] "001 JL RAYA BEKASI TIMUR KM 18 CY 152 2,261,000 s/d 2,444,000 2,352,000"
## [47] "001 JL TARUNA AB 138 5,095,000 s/d 5,350,000 5,223,000"
## [48] "001 JL TARUNA AD 145 3,550,000 s/d 3,745,000 3,745,000"
## [49] "001 JL TARUNA CZ 152 2,261,000 s/d 2,444,000 2,352,000"
## [50] "001 JL TARUNA DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [51] "001 JL TARUNA 11 AF 153 2,091,000 s/d 2,261,000 2,176,000"
## [52] "001 JL TARUNA I AD 145 3,550,000 s/d 3,745,000 3,745,000"
## [53] "001 JL TARUNA I AF 153 2,091,000 s/d 2,261,000 2,176,000"
## [54] "001 JL TARUNA I DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [55] "001 JL TARUNA I/I DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [56] "001 JL TARUNA II AD 145 3,550,000 s/d 3,745,000 3,745,000"
## [57] "001 JL TARUNA II AF 153 2,091,000 s/d 2,261,000 2,176,000"
## [58] "001 JL TARUNA II CY 152 2,261,000 s/d 2,444,000 2,352,000"
## [59] "001 JL TARUNA II CZ 152 2,261,000 s/d 2,444,000 2,352,000"
## [60] "001 KP BEKASI TIMUR CZ 152 2,261,000 s/d 2,444,000 2,352,000"
## [61] "001 KP LIO AE 152 2,261,000 s/d 2,444,000 2,352,000"
## [62] "001 KP LIO JL ANGKASA DA 152 2,261,000 s/d 2,444,000 2,352,000"
## [63] ""
Sekarang bentuknya sudah mulai terlihat kan yah?
Walaupun masih berisi vector, tapi setidaknya kita bisa melihat ada 63
baris data.
Tugas selanjutnya adalah tinggal memilih, data apa saja yang akan kita ambil.
Mengambil Data yang Diperlukan
Data Kota, Kecamatan, dan Kelurahan
kecamatan = atas[grepl("propinsi",atas,ignore.case = T)]
kecamatan
## [1] "PROPINSI : 31 DKI JAKARTA KECAMATAN : 060 CAKUNG"
kota_kelurahan = atas[grepl("kota/kab",atas,ignore.case = T)]
kota_kelurahan
## [1] "KOTA/KAB. : 72 JAKARTA TIMUR KELURAHAN : 001 JATINEGARA"
Dari single object tersebut, kita akan rapikan dan bentuk ke dalam data frame.
Saya akan menggunakan function separate() dari library(tidyr)
dalam prinsip tidy tentunya.
dummy =
data.frame(kecamatan,kota_kelurahan) %>%
separate(kecamatan,
into = c("provinsi","kecamatan"),
sep = "KECAMATAN") %>%
select(-provinsi) %>%
mutate(kecamatan = gsub("[0-9]","",kecamatan),
kecamatan = gsub("\\:","",kecamatan),
kecamatan = stringr::str_trim(kecamatan)) %>%
separate(kota_kelurahan,
into = c("hapus","kota","kelurahan"),
sep = "\\:") %>%
mutate(kelurahan = gsub("[0-9]","",kelurahan),
kelurahan = gsub("\\:","",kelurahan),
kelurahan = stringr::str_trim(kelurahan),
hapus = NULL,
kota = gsub("[0-9]","",kota),
kota = gsub("KELURAHAN","",kota),
kota = stringr::str_trim(kota)) %>%
mutate(kecamatan = trimws(kecamatan),
kota = trimws(kota),
kelurahan = trimws(kelurahan))
dummy
## kecamatan kota kelurahan
## 1 CAKUNG JAKARTA TIMUR JATINEGARA
Data NJOP
Sekarang bagian pamungkasnya adalah mengambil nilai NJOP per baris dari
vector atas.
Saya harus memastikan bahwa saya mengambil baris yang tepat dan hanya
akan mengambil character di ujung kanan saja.
harga_t = atas[grepl("s/d",atas,ignore.case = T)]
harga = substr(harga_t,stringr::str_length(harga_t)-11,stringr::str_length(harga_t))
Kita lihat bentuknya seperti apa sekarang:
data = data.frame(dummy,harga)
data
## kecamatan kota kelurahan harga
## 1 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,176,000
## 2 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 3 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 4 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 5 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 6 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 7 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 8 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 9 CAKUNG JAKARTA TIMUR JATINEGARA 00 3,745,000
## 10 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 11 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 12 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 13 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 14 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 15 CAKUNG JAKARTA TIMUR JATINEGARA 00 3,745,000
## 16 CAKUNG JAKARTA TIMUR JATINEGARA 00 6,343,000
## 17 CAKUNG JAKARTA TIMUR JATINEGARA 00 5,223,000
## 18 CAKUNG JAKARTA TIMUR JATINEGARA 00 5,223,000
## 19 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 20 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 21 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 22 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 23 CAKUNG JAKARTA TIMUR JATINEGARA 00 6,343,000
## 24 CAKUNG JAKARTA TIMUR JATINEGARA 00 3,745,000
## 25 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 26 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 27 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 28 CAKUNG JAKARTA TIMUR JATINEGARA 00 6,343,000
## 29 CAKUNG JAKARTA TIMUR JATINEGARA 00 6,343,000
## 30 CAKUNG JAKARTA TIMUR JATINEGARA 00 5,223,000
## 31 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 32 CAKUNG JAKARTA TIMUR JATINEGARA 00 6,343,000
## 33 CAKUNG JAKARTA TIMUR JATINEGARA 00 3,745,000
## 34 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 35 CAKUNG JAKARTA TIMUR JATINEGARA 00 5,223,000
## 36 CAKUNG JAKARTA TIMUR JATINEGARA 00 3,745,000
## 37 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 38 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 39 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,176,000
## 40 CAKUNG JAKARTA TIMUR JATINEGARA 00 3,745,000
## 41 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,176,000
## 42 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 43 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 44 CAKUNG JAKARTA TIMUR JATINEGARA 00 3,745,000
## 45 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,176,000
## 46 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 47 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 48 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 49 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
## 50 CAKUNG JAKARTA TIMUR JATINEGARA 00 2,352,000
Sudah mulai terlihat dengan jelas datanya kan?
Tinggal final touch saja dengan merapikan variabel harga pada data
frame tersebut.
Final Touch
final =
data %>%
mutate(harga = gsub("\\,","",harga)) %>%
separate(harga,
into = c("hapus","harga"),
sep = " ") %>%
select(-hapus) %>%
mutate(harga = as.numeric(harga))
## Hasil Ambil Data Halaman 6
| kecamatan | kota | kelurahan | harga |
|---|---|---|---|
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2176000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 3745000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 3745000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 6343000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 5223000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 5223000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 6343000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 3745000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 6343000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 6343000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 5223000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 6343000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 3745000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 5223000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 3745000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2176000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 3745000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2176000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 3745000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2176000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
| CAKUNG | JAKARTA TIMUR | JATINEGARA | 2352000 |
Kesimpulan
Dari algoritma di atas, saya tinggal melakukan looping untuk 3733an
halaman tersisa dari .pdf tersebut. Prosesnya sendiri relatif singkat,
tidak sampai 5 menit.
Berikut adalah summarynya:
if you find this article helpful, support this blog by clicking the ads.