1. Intro

Report R Markdown ini dubuat untuk tujuan pembelajaran self learning materi Programming for Data Science dengan menggunakan Software R. Pada LBB ini saya menggunakan data Bencana Alam yang saya ambil dari website https://gis.bnpb.go.id/ dalam bentuk file excel. Data tersebut saya tarik dari rentang waktu 1 januari 2023 hingga 28 Mei 2023. Pada LBB ini bertujuan untuk mendapatkan insgiht mengenai dataset kejadian Bencana Alam di Indonesia.

2. Pre-Processing Data

2.1 Import Dataset

Tahap pertama dalam melakukan pengolahan data adalah dengan melakukan import data set kemudian assign ke dalam objek yang bernama teacher.

Dikarenakan dataset dalam format excel sehingga perlu library yang dapat membaca data format xlsx

# 
library(readxl)

## Warning: package 'readxl' was built under R version 4.2.3

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

Read Data

#read data
disaster <- read_excel("Data Bencana.xlsx")
head(disaster)

## # A tibble: 6 × 16
##     No. Kode_Identi…¹ ID_Ka…² Tanggal_Kejadian    Kejad…³ Lokasi Kabup…⁴ Provi…⁵
##   <dbl> <chr>           <dbl> <dttm>              <chr>   <chr>  <chr>   <chr>  
## 1     1 3319 102 202…    3319 2023-05-28 00:00:00 TANAH … Kec. … KUDUS   JAWA T…
## 2     2 6301 107 202…    6301 2023-05-28 00:00:00 KEBAKA… Kec. … TANAH … KALIMA…
## 3     3 1804 105 202…    1804 2023-05-28 00:00:00 PUTING… Kec. … LAMPUN… LAMPUNG
## 4     4 6504 107 202…    6504 2023-05-28 00:00:00 KEBAKA… Kec. … NUNUKAN KALIMA…
## 5     5 1172 107 202…    1172 2023-05-28 00:00:00 KEBAKA… Kec. … KOTA S… ACEH   
## 6     6 1606 107 202…    1606 2023-05-28 00:00:00 KEBAKA… Kec. … MUSI B… SUMATE…
## # … with 8 more variables: `Kronologi & Dokumentasi` <chr>, Penyebab <chr>,
## #   Meninggal <dbl>, Hilang <dbl>, Terluka <dbl>, Rumah_Rusak <dbl>,
## #   Rumah_Terendam <dbl>, Fasum_Rusak <dbl>, and abbreviated variable names
## #   ¹Kode_Identitas_Bencana, ²ID_Kabupaten, ³Kejadian, ⁴Kabupaten, ⁵Provinsi

2.2 Eksplanatory Data Analysis (EDA)

Tahap selanjutnya setelah berhasil melakukan read data maka agar dapat menganalisis dan menemukan insight terlebih dahulu kita harus faham mengenai informasi, struktur, isi, dan gambaran umum yang terdapat di dataset kita.

# Mengetahui kolom-kolom apa saja yang ada di data
colnames(disaster)

##  [1] "No."                     "Kode_Identitas_Bencana" 
##  [3] "ID_Kabupaten"            "Tanggal_Kejadian"       
##  [5] "Kejadian"                "Lokasi"                 
##  [7] "Kabupaten"               "Provinsi"               
##  [9] "Kronologi & Dokumentasi" "Penyebab"               
## [11] "Meninggal"               "Hilang"                 
## [13] "Terluka"                 "Rumah_Rusak"            
## [15] "Rumah_Terendam"          "Fasum_Rusak"

Dari output di atas dapat diketahui bahwa terdapat 16 kolom. Setelah dilihat lagi bahwa diperlukan seleksi kolom mana yang akan dipake dalam tahapan selanjutnya. Kolom yang tidak dipakai No, Kode Identitas Bencana, Kronologi & Dokumentasi.

kolom yang dipakai: ID Kabupaten, Tanggal Kejadian, Kejadian, Lokasi, Kejadian, Lokasi, Kabupaten, Provinsi, Penyebab, Meninggal, Hilang, Terluka, Rumah Rusak, Rumah Terendam, Fasum Rusak

# melakukan subsetting
disaster <- disaster[ , c("ID_Kabupaten", "Tanggal_Kejadian", "Kejadian", "Lokasi", "Kejadian", "Lokasi", "Kabupaten", "Provinsi", "Penyebab", "Meninggal", "Hilang", "Terluka", "Rumah_Rusak", "Rumah_Terendam", "Fasum_Rusak")]
head(disaster)

## # A tibble: 6 × 15
##   ID_Kabupaten Tanggal_Kejadian    Kejad…¹ Lokasi Kejad…² Lokasi Kabup…³ Provi…⁴
##          <dbl> <dttm>              <chr>   <chr>  <chr>   <chr>  <chr>   <chr>  
## 1         3319 2023-05-28 00:00:00 TANAH … Kec. … TANAH … Kec. … KUDUS   JAWA T…
## 2         6301 2023-05-28 00:00:00 KEBAKA… Kec. … KEBAKA… Kec. … TANAH … KALIMA…
## 3         1804 2023-05-28 00:00:00 PUTING… Kec. … PUTING… Kec. … LAMPUN… LAMPUNG
## 4         6504 2023-05-28 00:00:00 KEBAKA… Kec. … KEBAKA… Kec. … NUNUKAN KALIMA…
## 5         1172 2023-05-28 00:00:00 KEBAKA… Kec. … KEBAKA… Kec. … KOTA S… ACEH   
## 6         1606 2023-05-28 00:00:00 KEBAKA… Kec. … KEBAKA… Kec. … MUSI B… SUMATE…
## # … with 7 more variables: Penyebab <chr>, Meninggal <dbl>, Hilang <dbl>,
## #   Terluka <dbl>, Rumah_Rusak <dbl>, Rumah_Terendam <dbl>, Fasum_Rusak <dbl>,
## #   and abbreviated variable names ¹Kejadian, ²Kejadian, ³Kabupaten, ⁴Provinsi

# mengecek struktur data
str(disaster)

## tibble [1,146 × 15] (S3: tbl_df/tbl/data.frame)
##  $ ID_Kabupaten    : num [1:1146] 3319 6301 1804 6504 1172 ...
##  $ Tanggal_Kejadian: POSIXct[1:1146], format: "2023-05-28" "2023-05-28" ...
##  $ Kejadian        : chr [1:1146] "TANAH LONGSOR" "KEBAKARAN HUTAN DAN LAHAN" "PUTING BELIUNG" "KEBAKARAN HUTAN DAN LAHAN" ...
##  $ Lokasi          : chr [1:1146] "Kec. Dawe Ds. Dukuh Waringin" "Kec.  Bati-Bati Ds. Ujung" "Kec. Raman Utara Ds. Rukti Sedyo Kec. Purbolinggo Ds. Tanjung Inten" "Kec. Nunukan Ds. Binusan" ...
##  $ Kejadian        : chr [1:1146] "TANAH LONGSOR" "KEBAKARAN HUTAN DAN LAHAN" "PUTING BELIUNG" "KEBAKARAN HUTAN DAN LAHAN" ...
##  $ Lokasi          : chr [1:1146] "Kec. Dawe Ds. Dukuh Waringin" "Kec.  Bati-Bati Ds. Ujung" "Kec. Raman Utara Ds. Rukti Sedyo Kec. Purbolinggo Ds. Tanjung Inten" "Kec. Nunukan Ds. Binusan" ...
##  $ Kabupaten       : chr [1:1146] "KUDUS" "TANAH LAUT" "LAMPUNG TIMUR" "NUNUKAN" ...
##  $ Provinsi        : chr [1:1146] "JAWA TENGAH" "KALIMANTAN SELATAN" "LAMPUNG" "KALIMANTAN UTARA" ...
##  $ Penyebab        : chr [1:1146] "Sejumlah 8 pekerja melakukan aktifitas pembenahan talud setinggi ± 12 meter untuk penyangga jalan, namun dikare"| __truncated__ "Masih dalam proses penyelidikan" "Dipicu oleh intensitas curah hujan yang cukup tinggi disertai angin kencang" "Masih dalam proses penyelidikan" ...
##  $ Meninggal       : num [1:1146] 3 NA NA NA NA NA NA NA NA NA ...
##  $ Hilang          : num [1:1146] NA NA NA NA NA NA NA NA NA NA ...
##  $ Terluka         : num [1:1146] NA NA NA NA NA NA NA NA NA NA ...
##  $ Rumah_Rusak     : num [1:1146] 0 0 157 0 0 0 0 0 0 0 ...
##  $ Rumah_Terendam  : num [1:1146] NA NA NA NA NA NA NA NA NA NA ...
##  $ Fasum_Rusak     : num [1:1146] 0 0 0 0 0 0 0 0 0 0 ...

Mengubah Tipe Data

Mengubah tipe data Tipe data yang belum sesuai diantaranya adalah:

ID Kabupaten : factor Tanggal Kejadian: YMD kejadian : factor Kabupaten : factor Provinsi : factor Meninggal, Hilang, Terluka, Rumah Rusak, Rumah Terendam, Fasum Rusak : integer

disaster$ID_Kabupaten <- as.factor(disaster$ID_Kabupaten)
disaster$Kejadian <- as.factor(disaster$Kejadian)
disaster$Kabupaten <- as.factor(disaster$Kabupaten)
disaster$Provinsi <- as.factor(disaster$Provinsi)
disaster$Meninggal <- as.integer(disaster$Meninggal)
disaster$Hilang <- as.integer(disaster$Hilang)
disaster$Terluka <- as.integer(disaster$Terluka)
disaster$Rumah_Rusak <- as.integer(disaster$Rumah_Rusak)
disaster$Rumah_Terendam <- as.integer(disaster$Rumah_Terendam)
disaster$Fasum_Rusak <- as.integer(disaster$Fasum_Rusak)

sekarang, mari kita sesuaikan tipe data tanggal terlebih dahulu cek bentuk format nya seperti apa

# melakukan pengecekan data pada kolom Tanggal_Kejadian 
head(disaster$Tanggal_Kejadian)

## [1] "2023-05-28 UTC" "2023-05-28 UTC" "2023-05-28 UTC" "2023-05-28 UTC"
## [5] "2023-05-28 UTC" "2023-05-28 UTC"

disaster$Tanggal_Kejadian <- as.Date(disaster$Tanggal_Kejadian, format = "%Y/%m/%d")

Setelah data dilakukan pengubahan tipe data maka cek kembali apakah sudah sesuai

str(disaster)

## tibble [1,146 × 15] (S3: tbl_df/tbl/data.frame)
##  $ ID_Kabupaten    : Factor w/ 320 levels "1101","1102",..: 144 233 82 250 18 64 69 232 232 36 ...
##  $ Tanggal_Kejadian: Date[1:1146], format: "2023-05-28" "2023-05-28" ...
##  $ Kejadian        : Factor w/ 8 levels "BANJIR","GELOMBANG PASANG / ABRASI",..: 8 4 7 4 4 4 4 4 4 4 ...
##  $ Lokasi          : chr [1:1146] "Kec. Dawe Ds. Dukuh Waringin" "Kec.  Bati-Bati Ds. Ujung" "Kec. Raman Utara Ds. Rukti Sedyo Kec. Purbolinggo Ds. Tanjung Inten" "Kec. Nunukan Ds. Binusan" ...
##  $ Kejadian        : chr [1:1146] "TANAH LONGSOR" "KEBAKARAN HUTAN DAN LAHAN" "PUTING BELIUNG" "KEBAKARAN HUTAN DAN LAHAN" ...
##  $ Lokasi          : chr [1:1146] "Kec. Dawe Ds. Dukuh Waringin" "Kec.  Bati-Bati Ds. Ujung" "Kec. Raman Utara Ds. Rukti Sedyo Kec. Purbolinggo Ds. Tanjung Inten" "Kec. Nunukan Ds. Binusan" ...
##  $ Kabupaten       : Factor w/ 320 levels "ACEH BARAT","ACEH BARAT DAYA",..: 173 298 182 227 152 219 248 142 142 250 ...
##  $ Provinsi        : Factor w/ 34 levels "ACEH","BALI",..: 10 13 19 16 1 33 33 14 14 32 ...
##  $ Penyebab        : chr [1:1146] "Sejumlah 8 pekerja melakukan aktifitas pembenahan talud setinggi ± 12 meter untuk penyangga jalan, namun dikare"| __truncated__ "Masih dalam proses penyelidikan" "Dipicu oleh intensitas curah hujan yang cukup tinggi disertai angin kencang" "Masih dalam proses penyelidikan" ...
##  $ Meninggal       : int [1:1146] 3 NA NA NA NA NA NA NA NA NA ...
##  $ Hilang          : int [1:1146] NA NA NA NA NA NA NA NA NA NA ...
##  $ Terluka         : int [1:1146] NA NA NA NA NA NA NA NA NA NA ...
##  $ Rumah_Rusak     : int [1:1146] 0 0 157 0 0 0 0 0 0 0 ...
##  $ Rumah_Terendam  : int [1:1146] NA NA NA NA NA NA NA NA NA NA ...
##  $ Fasum_Rusak     : int [1:1146] 0 0 0 0 0 0 0 0 0 0 ...

2.3 Cleansing Data

Setelah semua kolom sudah sesuai dengan tipe datanya masing-masing maka langkah selanjutnya adalah mengecek apakah terdapat missing value pada dataset tersebut degan menggunakan anyNA

colSums(is.na(disaster))

##     ID_Kabupaten Tanggal_Kejadian         Kejadian           Lokasi 
##                0                0                0               11 
##         Kejadian           Lokasi        Kabupaten         Provinsi 
##                0               11                0                0 
##         Penyebab        Meninggal           Hilang          Terluka 
##               16             1094             1141             1092 
##      Rumah_Rusak   Rumah_Terendam      Fasum_Rusak 
##                0              717                0

Replace NA

Karena pada data ditemukan banyak NA pada bagian meninggal, Hilang, Terluka, Rumah_Rusak, Rumah_Terendam artinya bahwa tidak ada sehingga diganti dengan 0

disaster <- data.frame(disaster) %>% 
  mutate(Meninggal = coalesce(Meninggal,0)) %>% 
  mutate(Hilang = coalesce(Hilang,0)) %>% 
  mutate(Terluka = coalesce(Terluka,0)) %>% 
  mutate(Rumah_Rusak = coalesce(Rumah_Rusak,0)) %>% 
  mutate(Rumah_Terendam = coalesce(Rumah_Terendam,0))

# melakukan pengecekan missing value lagi setelah data direplace
disaster %>% 
  is.na()  %>% 
  colSums()

##     ID_Kabupaten Tanggal_Kejadian         Kejadian           Lokasi 
##                0                0                0               11 
##       Kejadian.1         Lokasi.1        Kabupaten         Provinsi 
##                0               11                0                0 
##         Penyebab        Meninggal           Hilang          Terluka 
##               16                0                0                0 
##      Rumah_Rusak   Rumah_Terendam      Fasum_Rusak 
##                0                0                0

Kolom kosong NA sudah terisi dengan 0 karena memang tidak ada jumlah yang meninggal/terluka tinggal kolom Lokasi dan Penyebab yang tidak diketahui sehingga kita drop baris nya yang kosong menggunakan na.omit

disaster_clean <- disaster %>% 
  na.omit(Lokasi, Penyebab)

Data sudah bersih tidak ada missing value / NA

3. Study Case

Setelah data sudah bersih dan dilakukan pengenalan data pada tahap EDA. maka langkah selanjutnya adalah menentukan study kasus untuk memperoleh insight apa yang mau diambil dari dataset tersebut.

head(disaster_clean)

##   ID_Kabupaten Tanggal_Kejadian                  Kejadian
## 1         3319       2023-05-28             TANAH LONGSOR
## 2         6301       2023-05-28 KEBAKARAN HUTAN DAN LAHAN
## 3         1804       2023-05-28            PUTING BELIUNG
## 4         6504       2023-05-28 KEBAKARAN HUTAN DAN LAHAN
## 5         1172       2023-05-28 KEBAKARAN HUTAN DAN LAHAN
## 6         1606       2023-05-28 KEBAKARAN HUTAN DAN LAHAN
##                                                                Lokasi
## 1                                        Kec. Dawe Ds. Dukuh Waringin
## 2                                           Kec.  Bati-Bati Ds. Ujung
## 3 Kec. Raman Utara Ds. Rukti Sedyo Kec. Purbolinggo Ds. Tanjung Inten
## 4                                            Kec. Nunukan Ds. Binusan
## 5                                     Kec. Jurong Mulia Ds.  Cot Ba'u
## 6 Kec. Plakat Tinggi Ds. Air Putih Kec. Sungai Keruh Ds. Keramat Jaya
##                  Kejadian.1
## 1             TANAH LONGSOR
## 2 KEBAKARAN HUTAN DAN LAHAN
## 3            PUTING BELIUNG
## 4 KEBAKARAN HUTAN DAN LAHAN
## 5 KEBAKARAN HUTAN DAN LAHAN
## 6 KEBAKARAN HUTAN DAN LAHAN
##                                                              Lokasi.1
## 1                                        Kec. Dawe Ds. Dukuh Waringin
## 2                                           Kec.  Bati-Bati Ds. Ujung
## 3 Kec. Raman Utara Ds. Rukti Sedyo Kec. Purbolinggo Ds. Tanjung Inten
## 4                                            Kec. Nunukan Ds. Binusan
## 5                                     Kec. Jurong Mulia Ds.  Cot Ba'u
## 6 Kec. Plakat Tinggi Ds. Air Putih Kec. Sungai Keruh Ds. Keramat Jaya
##         Kabupaten           Provinsi
## 1           KUDUS        JAWA TENGAH
## 2      TANAH LAUT KALIMANTAN SELATAN
## 3   LAMPUNG TIMUR            LAMPUNG
## 4         NUNUKAN   KALIMANTAN UTARA
## 5     KOTA SABANG               ACEH
## 6 MUSI BANYU ASIN   SUMATERA SELATAN
##                                                                                                                                                                                                                                                                                              Penyebab
## 1 Sejumlah 8 pekerja melakukan aktifitas pembenahan talud setinggi ± 12 meter untuk penyangga jalan, namun dikarenakan kontur tanah yang labil & tidak adanya penyangga darurat, seketika pada pkl. 13:30 WIB tanah senderan tebing mengalami longsor dan menimpa para pekerja yang berada dibawahnya
## 2                                                                                                                                                                                                                                                                     Masih dalam proses penyelidikan
## 3                                                                                                                                                                                                                         Dipicu oleh intensitas curah hujan yang cukup tinggi disertai angin kencang
## 4                                                                                                                                                                                                                                                                     Masih dalam proses penyelidikan
## 5                                                                                                                                                                                                                                                                     Masih dalam proses penyelidikan
## 6                                                                                                                                                                                                                                                                         ●masih dalam penyelidikan .
##   Meninggal Hilang Terluka Rumah_Rusak Rumah_Terendam Fasum_Rusak
## 1         3      0       0           0              0           0
## 2         0      0       0           0              0           0
## 3         0      0       0         157              0           0
## 4         0      0       0           0              0           0
## 5         0      0       0           0              0           0
## 6         0      0       0           0              0           0

1. Ada berapa banyak jumlah Kejadian Bencana Alam menurut jenis kejadiannya selama 5 bulan terakhir?

Data Aggregation

table(disaster_clean$Kejadian)

## 
##                    BANJIR GELOMBANG PASANG / ABRASI                GEMPA BUMI 
##                       468                        12                        11 
## KEBAKARAN HUTAN DAN LAHAN                KEKERINGAN        LETUSAN GUNUNG API 
##                        82                         1                         2 
##            PUTING BELIUNG             TANAH LONGSOR 
##                       330                       213

barplot(sort(table(disaster_clean$Kejadian),decreasing = TRUE))

### Interpretation - Bencana banjir adalah yang paling sering terjadi di Indonesia selama lima bulan terakhir, yaitu total sebanyak 468 kejadian di seluruh provinsi Indonesia - Kekeringan adalah kejadian paling jarang terjadi di Indonesia, yaitu hanya terjadi satu kali selama lima bulan terakhir.

2. Provinsi mana yang paling sering terjadi bencana?

Data Aggregation

quest2 <- as.data.frame(sort(table(disaster_clean$Provinsi), decreasing = TRUE))
names(quest2) <- c("Provinsi","Freq")
quest2[1:10,]

##               Provinsi Freq
## 1           JAWA BARAT  254
## 2          JAWA TENGAH  140
## 3           JAWA TIMUR   97
## 4                 ACEH   68
## 5     SULAWESI SELATAN   57
## 6  NUSA TENGGARA BARAT   41
## 7      SULAWESI TENGAH   41
## 8   KALIMANTAN SELATAN   39
## 9    KALIMANTAN TENGAH   33
## 10      SUMATERA UTARA   32

Data Visualization

barplot(head((sort(table(disaster_clean$Provinsi), decreasing = TRUE)),10))

Interpretation:

Provinsi yang paling sering terjadi bencana adalah Provinsi Jawa Tengah dengan frequensi kejadian 254 kali
top 10 provinsi yang sering terjadi bencana adalah Jawa Barat, Jawa Tengah, Jawa Timur, Aceh, Sulawesi Selatan, Nusa Tenggara Barat, Sulawesi Tengah, Kalimantan Selatan, Kalimantan Tengah, Sumatera Utara

3. Provinsi mana saja yang jarang terjadi bencana?

Data Aggregation

quest2 <- as.data.frame(sort(table(disaster_clean$Provinsi), decreasing = TRUE))
names(quest2) <- c("Provinsi","Freq")
tail(quest2, 10)

##                     Provinsi Freq
## 25                      BALI    9
## 26 KEPULAUAN BANGKA BELITUNG    9
## 27                  BENGKULU    8
## 28                     PAPUA    7
## 29         SULAWESI TENGGARA    7
## 30            SULAWESI BARAT    6
## 31               PAPUA BARAT    4
## 32             DI YOGYAKARTA    3
## 33               DKI JAKARTA    3
## 34                     JAMBI    2

Data Visualization

barplot(tail((sort(table(disaster_clean$Provinsi), decreasing = TRUE)),10))

Interpretation:

Provinsi yang jarang mengalami kejadian bencana adalah Provinsi Jawa Tengah dengan frequensi kejadian hanya 2 kali selama 5 bulan terakhir.
low 10 provinsi yang sering terjadi bencana adalah Jambi, DKI Jakarta, DI Yogyakarta, Papua Barat, Sulawesi Barat, Sulawesi Tenggara, Papua, Bengkulu, Kepualauan Bangka Belitung, Bali.

4. Berapa Jumlah korban manusia yang diakibatkan oleh bencana di bulan Januari hingga Mei 2023?

Data Aggregation

sum(disaster_clean$Meninggal)

## [1] 145

sum(disaster_clean$Terluka)

## [1] 203

sum(disaster_clean$Hilang)

## [1] 7

Data Visualization

barplot(sort(c(Meninggal = sum(disaster_clean$Meninggal),Terluka = sum(disaster_clean$Terluka),Hilang = sum(disaster_clean$Hilang)),decreasing = TRUE))

### Interpretation: - Korban terluka adalah yang paling banyak yaitu berjumlah 203 orang yang terluka akibat bencana alam. - terdapat sebanyak 145 orang yang meninggal diakbiatkan oleh kejadian bencana selama bulan Januari hingga Mei 2023 di Provinsi Indonesia. - terdapat sebanyak 7 orang yang hilang diakbiatkan oleh kejadian bencana selama bulan Januari hingga Mei 2023 di Provinsi Indonesia.

5. Berapa Jumlah total kerusakan bangunan yang diakibatkan oleh bencana di bulan Januari hingga Mei 2023?

Data Aggregation

sum(disaster_clean$Rumah_Rusak)

## [1] 10909

sum(disaster_clean$Rumah_Terendam)

## [1] 457338

sum(disaster_clean$Fasum_Rusak)

## [1] 293

Data Visualization

barplot(sort(c(Rumah_Rusak = sum(disaster_clean$Rumah_Rusak),Rumah_Terendam = sum(disaster_clean$Rumah_Terendam),Fasum_Rusak = sum(disaster_clean$Fasum_Rusak)),decreasing = TRUE))

### Interpretation: - Kerusakan bangunan akibat bencana yang paling banyak adalah Rumah Terendam yaitu berjumlah 457338 rumah yang rusak akibat bencana alam. Jumlah ini selaras dengan jumlah kejadian bencana yang paling banyak yaitu banjir. - terdapat sebanyak 10909 rumah yang rusak diakbiatkan oleh kejadian bencana selama bulan Januari hingga Mei 2023 di Provinsi Indonesia. - terdapat sebanyak 293 failitas umum yang rusak diakbiatkan oleh kejadian bencana selama bulan Januari hingga Mei 2023 di Provinsi Indonesia.

6. Kapan kejadian bencana paling banyak terjadi di Indonesia selama bulan Januari hingga Mei 2023?

Data Aggregation

head(sort(table(disaster_clean$Tanggal_Kejadian), decreasing = TRUE),10)

## 
## 2023-03-17 2023-03-02 2023-02-19 2023-03-01 2023-01-31 2023-02-25 2023-04-30 
##         20         18         17         17         16         16         16 
## 2023-01-03 2023-02-13 2023-02-24 
##         15         15         15

max(table(disaster_clean$Tanggal_Kejadian))

## [1] 20

Data Visualization

barplot(head(sort(table(disaster_clean$Tanggal_Kejadian), decreasing = TRUE),10))

### Interpretation: - Kejadian bencana paling banyak terjadi di Indonesia di bulan Januari hingga Mei 2023 adalah pada tanggal 17 Maret 2023 yaitu terdapat 20 kejadian bencana. - Kemudian pada tanggal 2 Maret 2023 terdapat 18 kejadian bencana di Seluruh Indonesia selama bulan Januari hingga Mei 2023.

7. Berapa paling sedikit kejadian bencana yang terjadi?

min(table(disaster_clean$Tanggal_Kejadian))

## [1] 1

Interpretation:

Jumlah kejadian bencana paling sedikit setiap harinya adalah 1 kejadian,itu berarti menunjukkan bahwa setiap hari di Indonesia terjadi bencana.

8. Berapa rata-rata kejadian bencana yang terjadi tiap harinya?

mean(table(disaster_clean$Tanggal_Kejadian))

## [1] 7.560811

Inerpretation:

Rata-rata di setiap harinya Indonesia mengalami kejadian bencana sebanyak 7-8 kejadian per harinya.

5. Conclusion

Dari yang awalnya data tidak bisa terbaca dan masih dalam bentuk yang tidak terstrukttur ketika dilakukan EDA, data cleansing, wrangling data didapatkan sebuah informasi yang berguna yang dapat dijadikan sebuah insigiht dalam pengambilak keputusan selanjutnya. Adapun kesimpulan yang diporolh dari semua proses di atas adalah , bahwa di selama bulan Januari hingga Mei 2023 di Indonesia:

Kejadian bencana paling banyak menimpa Indonesia adalah bencana Banjir yaoti sebanyak 468 kejadian, sementara kejadian paling jarang terjadi adalah kekeringan.
Jawa Barat adalah provinsi yang paling sering terjadi bencana, yaitu sebanyak 254. Sementara Jambi adalah provinsi yang jarang mengalami kejadian bencana.
Korban manusia yang paling banyak diakibatkan oleh kejadian bencana adalah terluka yaitu sebanyak 203 orang terluka.
Korban kerusakan bangunan yang paling banyak diakbiatkan oleh kejadian bencana adalah Rumah Terendam yaitu sebanyak 457338 rumah.
Di setiap harinya di Indonesia hampir terjadi bencana, paling sedikit satu kejadian setiap hari nya.
Setiap harinya Indonesia mengalami kejadian bencana rata-rata sebanyak 7-8 kejadian per harinya.
Pada tanggal 17 Maret 2023 Kejadian bencana paling banyak terjadi di Indonesia selama bulan Januari hingga Mei 2023 yaitu terdapat 20 kejadian bencana.

6. Reference

dataset : https://gis.bnpb.go.id/

LBB Programming for Data Science

Melfin

5/29/2023

1. Intro

2. Pre-Processing Data

2.1 Import Dataset

Read Data

2.2 Eksplanatory Data Analysis (EDA)

Mengubah Tipe Data

2.3 Cleansing Data

Replace NA

3. Study Case

Data Aggregation

Data Aggregation

Data Visualization

Interpretation:

Data Aggregation

Data Visualization

Interpretation:

Data Aggregation

Data Visualization

Data Aggregation

Data Visualization

Data Aggregation

Data Visualization

Interpretation:

Inerpretation:

5. Conclusion

6. Reference