Cindy Indriyani (G1401221095)

1. Pendahuluan

Menurut Badan Pusat Statistik (BPS), Susenas (Survei Sosial Ekonomi Nasional) merupakan survei yang dirancang untuk mengumpulkan data mengenai kesejahteraan rumah tangga di Indonesia. Susenas dilaksanakan dua kali setiap tahun, yaitu pada bulan Maret dan September.

Dalam memenuhi tugas praktikum visualisasi data, saya menggunakan data Susenas Konsumsi dan Pengeluaran (KP) Provinsi Jawa Barat pada bulan Maret 2022 dan bulan Maret 2023.

2. Menyiapkan Library

library(tidyverse) 
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.4.4     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.0
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(ggmosaic)
library(treemap)
library(treemapify)
library(ggridges)
library(GGally) 
## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2
## 
## Attaching package: 'GGally'
## 
## The following object is masked from 'package:ggmosaic':
## 
##     happy
library(plotly) 
## 
## Attaching package: 'plotly'
## 
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## 
## The following object is masked from 'package:stats':
## 
##     filter
## 
## The following object is masked from 'package:graphics':
## 
##     layout
library(dplyr)
library(readxl)

3. Memanggil Data

Data di bawah merupakan data Susenas KP pada bulan Maret 2022.

datakp <- read.csv("C:\\SEMESTER 4\\RANCOB\\KP412022.csv", sep=",")
str(datakp)
## 'data.frame':    1395042 obs. of  27 variables:
##  $ X      : int  0 1 2 3 4 5 6 7 8 9 ...
##  $ URUT   : int  1241 1241 1241 1241 1241 1241 1241 1241 1241 1241 ...
##  $ STRATA : int  841081 841081 841081 841081 841081 841081 841081 841081 841081 841081 ...
##  $ PSU    : int  9848 9848 9848 9848 9848 9848 9848 9848 9848 9848 ...
##  $ SSU    : int  119395 119395 119395 119395 119395 119395 119395 119395 119395 119395 ...
##  $ WI1    : int  32776 32776 32776 32776 32776 32776 32776 32776 32776 32776 ...
##  $ WI2    : int  2475 2475 2475 2475 2475 2475 2475 2475 2475 2475 ...
##  $ R101   : int  32 32 32 32 32 32 32 32 32 32 ...
##  $ R102   : int  3 3 3 3 3 3 3 3 3 3 ...
##  $ R105   : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ R203   : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ R301   : int  3 3 3 3 3 3 3 3 3 3 ...
##  $ KODE   : int  1 2 8 9 16 44 45 65 66 75 ...
##  $ KLP    : int  0 1 0 8 0 16 16 0 65 0 ...
##  $ COICOP : chr  "" "01111001" "" "01178001" ...
##  $ B41K5  : num  0 0 0 0 0 2 1 0 2 0 ...
##  $ B41K6  : int  0 0 0 0 10000 7000 3000 3000 3000 4000 ...
##  $ B41K7  : num  0 3 0 2 0 0 0 0 0 0 ...
##  $ B41K8  : int  21000 21000 4000 4000 0 0 0 0 0 10000 ...
##  $ B41K9  : num  0 3 0 2 0 2 1 0 2 0 ...
##  $ B41K10 : int  21000 21000 4000 4000 10000 7000 3000 3000 3000 14000 ...
##  $ KALORI : num  10866 10866 2618 2618 508 ...
##  $ PROTEIN: num  254.2 254.2 17 17 99.8 ...
##  $ LEMAK  : num  43.5 43.5 5.1 5.1 5.6 ...
##  $ KARBO  : num  2326.5 2326.5 625.6 625.6 8.15 ...
##  $ WERT   : num  348 348 348 348 348 ...
##  $ WEIND  : num  1045 1045 1045 1045 1045 ...

Data di bawah merupakan data Susenas KP pada bulan Maret 2023.

datakp23 <- read.csv("C:\\SEMESTER 4\\VISDAT\\KP412023.csv", sep=",")
str(datakp23)
## 'data.frame':    1410333 obs. of  25 variables:
##  $ X      : int  0 1 2 3 4 5 6 7 8 9 ...
##  $ URUT   : int  500001 500001 500001 500001 500001 500001 500001 500001 500001 500001 ...
##  $ R101   : int  32 32 32 32 32 32 32 32 32 32 ...
##  $ R102   : int  7 7 7 7 7 7 7 7 7 7 ...
##  $ R105   : int  2 2 2 2 2 2 2 2 2 2 ...
##  $ R301   : int  4 4 4 4 4 4 4 4 4 4 ...
##  $ KODE   : int  1 2 6 8 9 10 12 16 29 42 ...
##  $ KLP    : int  0 1 1 0 8 8 8 0 16 16 ...
##  $ COICOP : chr  "" "01111001" "01115005" "" ...
##  $ B41K5  : num  0 7 0.5 0 0 0 0 0 0 1 ...
##  $ B41K6  : int  92900 82900 10000 0 0 0 0 4000 0 4000 ...
##  $ B41K7  : num  0 0 0 0 3 1 1 0 2 0 ...
##  $ B41K8  : int  0 0 0 18000 6000 6000 6000 67000 67000 0 ...
##  $ B41K9  : num  0 7 0.5 0 3 1 1 0 2 1 ...
##  $ B41K10 : int  92900 82900 10000 18000 6000 6000 6000 71000 67000 4000 ...
##  $ KALORI : num  27019 25354 1665 6314 3927 ...
##  $ PROTEIN: num  638.2 593.2 45 52.8 25.5 ...
##  $ LEMAK  : num  106.5 101.5 5 14.69 7.65 ...
##  $ KARBO  : num  5814 5428 386 1489 938 ...
##  $ WERT   : num  455 455 455 455 455 ...
##  $ WEIND  : num  1820 1820 1820 1820 1820 ...
##  $ PSU    : int  12448 12448 12448 12448 12448 12448 12448 12448 12448 12448 ...
##  $ SSU    : int  123442 123442 123442 123442 123442 123442 123442 123442 123442 123442 ...
##  $ WI1    : int  12435 12435 12435 12435 12435 12435 12435 12435 12435 12435 ...
##  $ WI2    : int  123427 123427 123427 123427 123427 123427 123427 123427 123427 123427 ...

Data di bawah merupakan keterangan untuk kode variabel/peubah dalam data Susenas KP.

Ket.KP<-read_xlsx("C:/SEMESTER 4/VISDAT/Ket_KP.xlsx", sheet = "Keterangan")
str(Ket.KP)
## tibble [23 × 2] (S3: tbl_df/tbl/data.frame)
##  $ URUT         : chr [1:23] "R101" "R102" "R105" "R301" ...
##  $ Nomor urut RT: chr [1:23] "Kode Provinsi" "Kode Kabupaten/kota" "Klasifikasi perkotaan/perdesaan" "Jumlah anggota rumah tangga" ...
view(Ket.KP)

Data di bawah merupakan keterangan untuk klasifikasi masyarakat di Jawa Barat berdasarkan Susenas KP.

Ket.Klasifikasi<-read_xlsx("C:/SEMESTER 4/VISDAT/Ket_KP.xlsx", sheet = "R105")
str(Ket.Klasifikasi)
## tibble [2 × 2] (S3: tbl_df/tbl/data.frame)
##  $ No. Urut   : chr [1:2] "1" "2"
##  $ Klasifikasi: chr [1:2] "Perkotaan" "Perdesaan"
view(Ket.Klasifikasi)

Data di bawah merupakan kode komoditi yang digunakan dalam Susenas KP.

Kode.komoditi<-read_xlsx("C:/SEMESTER 4/VISDAT/Ket_KP.xlsx", sheet = "KODE")
str(Kode.komoditi)
## tibble [197 × 2] (S3: tbl_df/tbl/data.frame)
##  $ No. Urut: chr [1:197] "1" "2" "3" "4" ...
##  $ Komoditi: chr [1:197] "PADI-PADIAN" "Beras (beras lokal, kualitas unggul, impor)" "Beras ketan" "Jagung basah degan kulit" ...
view(Kode.komoditi)

Data di bawah merupakan kode kota/kabupaten di Jawa Barat dalam Susenas KP.

Kode.kota<-read_xlsx("C:/SEMESTER 4/VISDAT/Ket_KP.xlsx", sheet = "R102")
str(Kode.kota)
## tibble [27 × 1] (S3: tbl_df/tbl/data.frame)
##  $ Kode Kota/Kabupaten: chr [1:27] "3201. KABUPATEN BOGOR" "3202. KABUPATEN SUKABUMI" "3203. KABUPATEN CIANJUR" "3204. KABUPATEN BANDUNG" ...
view(Kode.kota)

4. Visualisasi Besaran

a. Lollipop Chart
datakp %>%
  count(KODE) %>%
  slice_max(n = 30, order_by = n) %>% 
  ggplot() +
  geom_segment(aes(x = fct_reorder(as.factor(KODE), n), xend = fct_reorder(as.factor(KODE), n), y = 0, yend = n), color = "orange") +
  geom_point(aes(x = fct_reorder(as.factor(KODE), n), y = n), color = "purple", size = 2.5) +
  scale_y_continuous(expand = c(0, 0)) +
  coord_flip() +
  ggtitle("Top 30 Komoditi dengan Jumlah Konsumsi Tertinggi di Jawa Barat") +
  xlab("Kode Rincian Komoditi") +
  ylab("Jumlah Rumah Tangga") +
  theme_light() +
  theme(plot.title = element_text(hjust = 0.5))

Interpretasi

Berdasarkan visualisasi data melalui lollipop chart di atas, dapat diketahui bahwa terdapat tiga puluh komoditi dari 197 komoditi yang paling banyak dikonsumsi oleh rumah tangga di Jawa Barat berdasarkan data Susenas Konsumsi dan Pengeluaran (KP) yang diambil pada bulan Maret 2022.Tiga komoditi dengan jumlah konsumsi tertinggi oleh rumah tangga adalah makanan dan minuman jadi (159), padi-padian (1) dan beras dengan karakter beras lokal, kualitas unggul, dan impor (2) yang dikonsumsi oleh lebih dari 25.000 rumah tangga di Jawa Barat.Tiga posisi tertinggi tersebut diikuti oleh bumbu-bumbuan, minyak dan kelapa, bahan minuman, telur dan susu, sayur-sayuran, garam, telur ayam ras, kacang-kacangan, bawang merah, minyak goreng kelapa sawit dan bunga matahari, buah-buahan, ikan, bawang putih, makanan gorengan (tahu, tempe, bakwan, pisang), tahu, mie instan, tempe, gula pasir, daging, penyedap masakan/vetsin, cabai rawit, mie (mie bakso, mie rebus, mie goreng), roti manis, daging ayam ras, rokok dan tembakau, kopi instan, dan komoditi jenis lainnya.

b. Bar Chart
datajengkol <- dplyr::filter(datakp, KODE %in% c("94"))
# 94: Kode komoditi untuk jengkol
datajengkol %>%
  count(R102) %>%
  slice_max(n = 10, order_by = n) %>% 
  ggplot() +
  geom_col(aes(x = fct_reorder(as.factor(R102), n), y = n), fill = "coral2", width = 0.4) +
  geom_text(aes(x = fct_reorder(as.factor(R102), n), y = n, label = n),
            position = position_stack(vjust = 0.5), color = "white", size = 3) +
  scale_y_continuous(expand = c(0, 0)) +
  coord_flip() +
  ggtitle("Top 10 Kota dengan Jumlah Konsumsi Jengkol Tertinggi di Jawa Barat") +
  xlab("") +
  ylab("Jumlah Rumah Tangga") +
  theme_classic() +
  theme(plot.title = element_text(hjust = 0.5, size = 15))

Interpretasi

Berdasarkan visualisasi data melalui bar chart di atas dapat diketahui bahwa terdapat sepuluh kota/kabupaten dari 27 kota/kabupaten dengan jumlah konsumsi jengkol tertinggi pada rumah tangga, yaitu Kabupaten Bandung Barat dengan 239 rumah tangga, Kabupaten Karawang dengan 231 rumah tangga,dan Kabupaten Bekasi dengan 197 rumah tangga. Ketiga kota/kabupaten tersebut diikuti oleh Kabupaten Bogor dengan 196 rumah tangga, Kabupaten Sumedang dengan 181 rumah tangga, Kabupaten Bandung dengan 179 rumah tangga, Kabupaten Purwakarta dengan 162 rumah tangga, Kabupaten Subang dengan 139 rumah tangga, Kabupaten Cianjur dengan 138 rumah tangga, dan Kabupaten Garut dengan 125 rumah tangga.

c. Grouped Bar Chart
dataikan <- dplyr::filter(datakp, KODE %in% c("29", "30", "28", "27", "30", "33", "35"))
# Kode 27: Mujair
# Kode 28: Mas
# Kode 29: Nila
# Kode 30: Lele
# Kode 33: Patin
# Kode 35: Gurame
ggplot(dataikan, aes(x = as.factor(KODE), y = B41K9, fill = as.factor(R105))) +
  geom_bar(stat = "identity", position = "dodge", width = 0.5) +
  labs(fill = "Klasifikasi Perkotaan/Pedesaan") +
  ggtitle("Konsumsi Ikan Seminggu Satu Rumah Tangga di Jawa Barat") +
  xlab("Jenis Ikan") +
  ylab("Jumlah Konsumsi Ikan (kg)") +
  scale_fill_manual(values = c("1" = "cyan2", "2" = "cornsilk4")) +
  theme_minimal()

Interpretasi

Visualisasi data di atas menyajikan jumlah konsumsi ikan dalam seminggu untuk satu rumah tangga yang berada di Jawa Barat berdasarkan Susenas pada bulan Maret 2022. Berdasarkan visualisasi data melalui grouped bar chart di atas didapatkan hasil bahwa tingkat konsumsi ikan tertinggi ditempati oleh ikan nila (29) dengan jumlah konsumsi ikan lebih dari 7,5 kg dalam seminggu yang didominasi oleh rumah tangga di pedesaan. Lalu, Ikan mujair (27) dan ikan patin (33) mencapai jumlah konsumsi yang seimbang antara pedesaan dan perkotaan, ikan mas (28) dan ikan lele dikonsumsi lebih tinggi oleh rumah tangga di perkotaan dengan jumlah yang hampir mencapai 7,5 kg, serta ikan gurame yang lebih banyak dikonsumsi oleh rumah tangga di perkotaan.

d. Stacked Bar Chart
databr <- dplyr::filter(datakp, KODE %in% c("29", "30", "28"))
ggplot(databr, aes(x = as.factor(R102), y = KALORI, fill = as.factor(KODE))) +
  geom_bar(stat = "identity") +
  labs(fill = "Jenis Ikan") +
  ggtitle("Jumlah Kalori dari Konsumsi Ikan Seminggu Satu Rumah Tangga") +
  xlab("Kota/Kabupaten") +
  ylab("Jumlah Kalori (kkal)") +
  scale_fill_brewer(palette = "Dark2") +
  theme_minimal()

Interpretasi

Visualisasi di atas menyajikan jumlah kalori (kkal) dari mengonsumsi ikan mas (28), ikan nila (29), dan ikan lele (30) oleh satu rumah tangga dalam seminggu berdasarkan hasil Susenas KP Provinsi Jawa Barat pada bulan Maret 2022. Berdasarkan visualisasi data tersebut, ikan mas cenderung memiliki jumlah konsumsi kalori seminggu satu rumah tangga yang lebih tinggi dibandingkan ikan nila dan ikan lele, seperti di Kabupaten Bogor (1), Kabupaten Sukabumi (2), Kabupaten Bandung (4), Kabupaten Garut (5), Kabupaten Tasikmalaya (6), Kabupaten Majalengka (10), Kabupaten Sumedang (11), Kabupaten Subang (13), Kabupaten Karawang (15), dan Kota Bandung (73). Lalu, ikan lele memiliki jumlah kalori tertinggi dalam seminggu yang dikonsumsi oleh satu rumah tangga yang berada di Kota Bekasi (75), Kota Depok (76), serta Kabupaten Bekasi (16).

4. Visualisasi Sebaran

a. Density Plot
datadensity <- dplyr::filter(datakp, KODE == 56)
# Kode 56: Daging sapi
ggplot(datadensity)+
  geom_density(aes(x=LEMAK,fill= "Lemak" ),color="cyan", alpha=0.8)+
  geom_density(aes(x=PROTEIN,fill="Protein"), color="burlywood2", alpha=0.8)+
  labs(title="Density Plot Sebaran Konsumsi Lemak dan Protein pada Daging Sapi")+
  xlab("Gizi Makro (gram)")+
  ylab("Jumlah")+
  xlim(0,400)
## Warning: Removed 3 rows containing non-finite values (`stat_density()`).
## Removed 3 rows containing non-finite values (`stat_density()`).

Interpretasi

Visualisasi di atas menyajikan sebaran data dari konsumsi lemak dan protein pada daging sapi yang dikonsumsi oleh satu rumah tangga dalam seminggu berdasarkan hasil Susenas KP Provinsi Jawa Barat pada bulan Maret 2022. Berdasarkan visualisasi data di atas, hasil yang diperoleh yaitu rumah tangga cenderung mengonsumsi lemak dan protein pada daging sapi dengan jumlah 50-100 gram per minggu. Data tersebut mengandung pencilan, artinya terdapat rumah tangga yang memiliki jumlah konsumsi lemak dan protein dari daging sapi yang cukup berbeda jauh dari rumah tangga yang lain. Dalam jumlah konsumsi lemak daging sapi, pencilan berada di rentang 250-300 gram dan untuk jumlah konsumsi protein berada di rentang 350-400 gram seminggu untuk satu rumah tangga.

Berdasarkan visualisasi data di atas, hasil lain yang diperoleh yaitu kurva yang terbentuk memiliki variabilitas yang lebih rendah karena bentuknya cenderung sempit dan tinggi. Area di bawah kurva cenderung besar sehingga probabilitasnya semakin tinggi.

b. Boxplot
ggplot(datadensity)+
  geom_boxplot(aes(y=B41K10))+
  labs(title="Boxplot Sebaran Nilai Pengeluaran Daging Sapi Seminggu Satu Rumah Tangga")

Interpretasi

Visualisasi data di atas menyajikan mengenai sebaran nilai pengeluaran dalam mengonsumsi daging sapi untuk satu rumah tangga dalam seminggu berdasarkan hasil Susenas KP Provinsi Jawa Barat pada bulan Maret 2022. Berdasarkan boxplot di atas, terdapat dua nilai pencilan atas. Pencilan-pencilan tersebut menandakan bahwa terdapat rumah tangga yang memiliki nilai pengeluaran untuk mengonsumsi daging sapi cukup tinggi dalam seminggu, yaitu di atas Rp700.000. Lalu, data nilai pengeluaran konsumsi daging sapi ini cenderung menyebar di rentang Rp0-Rp400.000. Artinya, nilai pengeluaran untuk konsumsi daging sapi dalam seminggu untuk satu rumah tangga berada di rentang Rp0-Rp400.000.

c. QQ-Plot
datasusu <- dplyr::filter(datakp, KODE %in% c("70", "71", "72"))
# Kode 70: Susu cair pabrik
# Kode 71: Susu kental manis
# Kode 72: Susu bubuk
data.qq <- data.frame(datasusu)
ggplot(data.qq, aes(sample = B41K10, colour = factor(KODE))) +
  stat_qq() +
  stat_qq_line() +
  theme_minimal()

Interpretasi

Dalam QQ-Plot, sumbu x mewakili kuantil dari distribusi normal yang diharapkan, sedangkan sumbu y mewakili kuantil empiris dari data aktual. Berdasarkan visualisasi QQ-Plot di atas, hasil yang diperoleh adalah sebagai berikut: 1). Susu cair pabrik (70) dan susu bubuk (72) titik-titiknya terlalu menyebar dan tidak cukup berada di dekat garis diagonal. Hal ini menunjukkan adanya ketidaknormalan dari distribusi data. Titik-titik tersebut cenderung bergerak ke atas yang memiliki kemungkinan bahwa distribusi data cenderung lebih berat di ekor, 2). Susu kental manis (71) titik-titiknya berada di garis diagonal secara kasarnya. Hal tersebut menunjukkan bahwa distribusi normalitasnya cukup baik.

5. Visualisasi Komposisi

a. Pie Chart
datapie <- dplyr::filter(datakp23, KODE %in% c("176"))
# Kode 176: Mie Instan
data.kla <- dplyr::filter(datapie, R105 %in% c("2")) 
# 105 (2):Pedesaan
datamie <- data.frame(
  R301 = c("1", "2", "3", "4", "5", "6+"),
  count = table(cut(data.kla$R301, breaks=c(0,1,2,3,4,5,Inf), labels = c("1", "2", "3", "4", "5", "6+")))
)
ggplot(datamie, aes(x = "", y = count.Freq , fill = R301)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y", start = 0) +
  scale_fill_brewer(palette = "Set2") +
  theme_void() +
  theme(legend.position = "right") +
  labs(title = "Komposisi Jumlah Anggota Rumah Tangga", fill = "Jumlah Anggota Rumah Tangga") +
  geom_text(aes(label = count.Freq), position = position_stack(vjust = 0.5))

Interpretasi

Visualisasi data di atas menyajikan mengenai komposisi jumlah anggota rumah tangga di pedesaan yang mengonsumsi mie instan. Berdasarkan hasil visualisasi tersebut, hasil yang diperoleh yaitu komposisi jumlah anggota rumah tangga didominasi oleh rumah tangga beranggotakan empat orang sejumlah 479 rumah tangga. Jumlah tersebut diikuti oleh rumah tangga beranggotakan tiga orang sejumlah 434 rumah tangga, rumah tangga beranggotakan dua orang sejumlah 221 rumah tangga, rumah tangga beranggotakan lima orang sejumlah 188 rumah tangga, rumah tangga beranggotakan lebih dari enam orang sejumlah 82 rumah tangga, dan rumah tangga beranggoatakan satu orang sejumlah 67 rumah tangga.

b. Tree Map
databubur <- dplyr::filter(datakp23, KODE %in% c("181")) # Kode 181: Bubur ayam
str(databubur)
## 'data.frame':    12299 obs. of  25 variables:
##  $ X      : int  64 114 240 310 366 415 543 600 668 722 ...
##  $ URUT   : int  500001 500002 500004 500005 500006 500007 500010 500011 500012 500013 ...
##  $ R101   : int  32 32 32 32 32 32 32 32 32 32 ...
##  $ R102   : int  7 72 72 77 77 75 1 2 16 1 ...
##  $ R105   : int  2 1 1 1 1 1 1 1 1 1 ...
##  $ R301   : int  4 2 7 3 2 2 4 3 5 5 ...
##  $ KODE   : int  181 181 181 181 181 181 181 181 181 181 ...
##  $ KLP    : int  159 159 159 159 159 159 159 159 159 159 ...
##  $ COICOP : chr  "11113008" "11113008" "11113008" "11113008" ...
##  $ B41K5  : num  2 1 6 2 2.4 2 1 4 2 6 ...
##  $ B41K6  : int  12000 6000 40000 42000 34000 20000 4000 26000 4000 21000 ...
##  $ B41K7  : num  0 0 2 0 0 0 0 0 0 0 ...
##  $ B41K8  : int  0 0 14000 0 0 0 0 0 0 0 ...
##  $ B41K9  : num  2 1 8 2 2.4 2 1 4 2 6 ...
##  $ B41K10 : int  12000 6000 54000 42000 34000 20000 4000 26000 4000 21000 ...
##  $ KALORI : num  408 204 1630 408 489 ...
##  $ PROTEIN: num  14.86 7.43 59.44 14.86 17.83 ...
##  $ LEMAK  : num  13.16 6.58 52.64 13.16 15.79 ...
##  $ KARBO  : num  56.1 28.1 224.5 56.1 67.3 ...
##  $ WERT   : num  454.89 172.38 93.67 122.22 7.64 ...
##  $ WEIND  : num  1819.6 344.8 655.7 366.7 15.3 ...
##  $ PSU    : int  12448 31373 31135 33988 34062 33428 114 2218 22876 856 ...
##  $ SSU    : int  123442 311039 308689 336798 337531 331261 1020 21955 226995 8402 ...
##  $ WI1    : int  12435 31360 31122 33975 34049 33415 101 2205 22863 843 ...
##  $ WI2    : int  123427 311024 308674 336783 337516 331246 1005 21940 226980 8387 ...
treemap(databubur, 
        index=c("R102", "R301", "B41K9"), 
        vSize="B41K10",
        algorithm="pivotSize",
        palette="Paired",
        title="Treemap: Konsumsi Bubur Ayam Berdasarkan Provinsi, Jumlah Anggota Keluarga, dan Banyaknya Konsumsi",
        fontsize.title=15,
        fontsize.labels=12,
        fontcolor.labels="black")

Interpretasi

Visualisasi data di atas menyajikan mengenai jumlah pengeluaran untuk mengonsumsi bubur ayam dalam seminggu untuk satu rumah tangga berdasarkan provinsi, jumlah anggota keluarga, dan jumlah konsumsi bubur ayam (porsi). Berdasarkan tree map di atas, rumah tangga yang memiliki jumlah pengeluaran tertinggi dalam mengonsumsi bubur dalam seminggu adalah Kota Bandung yang didominasi oleh rumah tangga beranggotakan 3-4 orang dengan jumlah konsumsi bubur ayam sebanyak 2-3 porsi. Jumlah pengeluaran tertinggi diikuti oleh Kota Depok dan Kota Bekasi. Sedangkan jumlah pengeluaran terendah berada di Kabupaten Pangandaran yang didominasi oleh rumah tangga beranggotakan 4-5 orang.