Bunch of Ideas, a little bit of Maths.

I am mathematician doing market research and data science

35 minute read

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 pdf tersebut?

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.

You May Also Enjoy

Menjalankan R Studio Server di Railway.app

4 minute read

Jika rekan-rekan mengikuti tulisan saya di blog ini, kalian akan mengetahui berbagai upaya yang saya lakukan agar saya bisa menggunakan R Studio secara onlin...