InisialisasiLibrary

library (readxl)
library (tidyverse)
## Warning: package 'tidyverse' was built under R version 4.3.2
## Warning: package 'lubridate' was built under R version 4.3.2
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.3     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ 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)
## Warning: package 'ggmosaic' was built under R version 4.3.2
library (treemap)
## Warning: package 'treemap' was built under R version 4.3.2
library (treemapify)
## Warning: package 'treemapify' was built under R version 4.3.2
library (ggridges)
## Warning: package 'ggridges' was built under R version 4.3.2
library (GGally)
## Warning: package 'GGally' was built under R version 4.3.2
## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2
## 
## Attaching package: 'GGally'
## 
## The following object is masked from 'package:ggmosaic':
## 
##     happy
library (plotly)
## Warning: package 'plotly' was built under R version 4.3.2
## 
## 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)

Visualisasi Besaran Data

data_bahanbakar<-read_xlsx("C:/Users/user/Downloads/Tugas Individu Visdat/Data Bahan Bakar Utama.xlsx")
str(data_bahanbakar)
## tibble [25,890 × 4] (S3: tbl_df/tbl/data.frame)
##  $ URUT : num [1:25890] 5e+05 5e+05 5e+05 5e+05 5e+05 ...
##  $ R102 : chr [1:25890] "Kab. Ciamis" "Kota Sukabumi" "Kab. Tasikmalaya" "Kota Sukabumi" ...
##  $ R105 : chr [1:25890] "Perdesaan" "Perkotaan" "Perdesaan" "Perkotaan" ...
##  $ R1817: chr [1:25890] "Elpiji 3 kg" "Elpiji 3 kg" "Elpiji 3 kg" "Elpiji 3 kg" ...

Bar Chart

data_bahanbakar %>%
  count(R1817) %>%
  slice_max(n = 5, order_by = n) %>% 
  ggplot() +
  geom_col(aes(x = fct_reorder(as.factor(R1817), n), y = n), fill = "navy", width = 0.7) +
  geom_text(aes(x = fct_reorder(as.factor(R1817), n), y = n, label = n),
            position = position_stack(vjust = 0.5), color = "white", size = 3.5) +
  scale_y_continuous(expand = c(0, 0)) +
  coord_flip() +
  ggtitle("Top 5 Bahan Bakar Utama untuk Memasak") +
  xlab("") +
  ylab("Jumlah Rumah Tangga") +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5, size = 15))

Intepretasi

Data bersumber dari Susenas Provinsi Jawa Barat Tahun 2023. Bar chart diatas menunjukkan 5 bahan bakar utama untuk memasak yang paling banyak digunakan oleh rumah tangga di Provinsi Jawa Barat. Elpiji 3 kg menjadi bahan bakar utama paling banyak yang digunakan oleh masyarakat Jawa Barat dengan 22204 responden, disusul oleh kayu bakar dengan 1971 responden, elpiji 12 kg, gas kota, dan elpiji 5,5 kg.

Lollipop Chart

data_bahanbakar %>%
  count(R1817)%>%
  slice_max(n = 5, order_by = n) %>% 
  mutate(R1817=fct_reorder(as.factor(R1817),desc(n)))%>%
  ggplot()+
  geom_segment(aes(x=R1817,xend=R1817, y=0, yend=n), color="navy")+
  geom_point(aes(x=R1817,y=n),color="orange", size=2)+ 
  scale_y_continuous(expand = c(0,0))+
  coord_flip() +
  ggtitle("Top 5 Bahan Bakar Utama untuk Memasak") +
  xlab("") +
  ylab("Jumlah Rumah Tangga") +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5))

Intepretasi

Diagram lolliopo chart diatas menggambarkan 5 bahan bakar utama untuk memasak yang paling banyak digunakan oleh masyarakat Provinsi Jawa Barat yang merupakan responden dari Susenas 2023. Elpiji 3 kg menjadi bahan bakar utama untuk memasak paling banyak yang digunakan oleh masyarakat Jawa Barat, selanjutnya kayu bakar, elpiji 12 kg, gas kota, dan elpiji 5,5 kg.

Visualisasi Sebaran Data

data_umur<-read_xlsx("C:/Users/user/Downloads/Tugas Individu Visdat/Data Umur.xlsx")
str(data_umur)
## tibble [84,688 × 5] (S3: tbl_df/tbl/data.frame)
##  $ URUT         : num [1:84688] 5e+05 5e+05 5e+05 5e+05 5e+05 ...
##  $ Jenis Kelamin: num [1:84688] 2 2 2 1 2 1 1 2 2 1 ...
##  $ R407         : num [1:84688] 68 46 16 6 62 38 54 41 10 40 ...
##  $ R1501B       : num [1:84688] 0 23 0 0 0 0 0 22 0 0 ...
##  $ R1502B       : num [1:84688] 0 25 0 0 0 0 0 23 0 0 ...

Violin Plot

data_umurhamil<-data_umur %>% 
  filter(R1501B > 0)
ggplot(data_umurhamil, aes(x = "", y = R1501B)) +
  geom_violin(fill = "navy") +
  labs(title = "Sebaran Umur Hamil Pertama",
       x = NULL,
       y = "Umur Hamil Pertama") +
  theme_bw()+
  theme(plot.title = element_text(hjust = 0.5))

Intepretasi

Data diambil dari data umur hamil pertama dan dilakukan pemfilteran data untuk yang lebih besar dari pada nol. Pemfilteran ini dilakukan karena jika responden merupakan laki-laki atau belum pernah hamil, maka data akan bernilai nol. Dari persebaran violin plot diatas, umur 20 tahun merupakan nilai yang paling besar, maka dapat disimpulkan bahwa kebanyakan responden megalami kehamilan pertama pada umur sekirar 20 tahun.

Boxplot

data_umur %>% 
  select(R407,`Jenis Kelamin`) %>%
  mutate(R407 = as.numeric(R407),
         `Jenis Kelamin` = ifelse(`Jenis Kelamin`==1,"Laki-laki","Perempuan")) %>% 
  ggplot()+
  geom_boxplot(aes(x=`Jenis Kelamin`, color=`Jenis Kelamin`,y=R407))+
  labs(title="Sebaran Umur dengan Jenis Kelamin",x="Jenis Kelamin", y="Umur")+
  theme_bw()+
  theme(plot.title = element_text(hjust = 0.5))

Intepretasi

Boxplot diatas menggambarkan persebaran umur untuk tiap jenis kelamin responden. Dapat dilihat bahwa persebaran umur antara jenis kelamin laki-laki dan jenis kelamin perempuan kurang lebih sama. Median dari persebaran data diatas berkisar di 30an tahun dan menyebar dari umur 0 tahun sampai hampir 100 tahun.

Visualisasi Komposisi Data

dataz<-read_xlsx("C:/Users/user/Downloads/Tugas Individu Visdat/Data Responden Jenis Kelamin.xlsx")
str(dataz)
## tibble [84,688 × 3] (S3: tbl_df/tbl/data.frame)
##  $ URUT         : num [1:84688] 5e+05 5e+05 5e+05 5e+05 5e+05 ...
##  $ R102         : num [1:84688] 7 7 7 7 72 72 6 6 6 72 ...
##  $ Jenis Kelamin: chr [1:84688] "Perempuan" "Perempuan" "Perempuan" "Laki-laki" ...

Pie Chart

data_piechart <- data_bahanbakar %>%
  count(R1817) %>%
  slice_max(n = 5, order_by = n) %>% 
  mutate(percentage = prop.table(n) * 100)

ggplot(data_piechart, aes(x = "", y = percentage, fill = factor(R1817))) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y", start = 0) +
  scale_fill_brewer(palette = "Set3") +
  theme_void() +
  theme(legend.position = "right") +
  labs(title = "Komposisi Bahan Bakar Utama untuk Memasak", fill = "Kategori Bahan Bakar") +
  geom_text(aes(label = paste0(round(percentage), "%")), position = position_stack(vjust = 0.5))+
  theme(plot.title = element_text(hjust = 0.5))

Intepretasi

Data diambil dari data bahan bakar utama untuk memasak yang diubah menjadi bentuk persentase. Dari pie chart diatas dapat disumpulkan bahwa 87% masyarakat Jawa Barat yang menjadi responden Susenas 2023 memilih menggunakan elpiji 3 kg sebagai bahan bakar utama untuk memasak. Selanjutnya diikuti oleh kayu bakar dengan 8% responden, elpiji 12 kg dengan 3% responden, dan gas kota serta elpiji 5,5 kg dengan 1%.

Treemap

treemap(dataz, 
        index=c("R102","Jenis Kelamin"), 
        vSize="R102",
        draw=TRUE,
        title="Banyak Responden per Wilayah Berdasarkan Jenis Kelamin",
        fontsize.title=17,
        fontsize.labels=12,
        fontcolor.labels="navy")

Intepretasi

Ukuran dari setiap persegi dengan warna yang sama menggambarkan banyaknya responden perwilayah dan ditandai dengan kode wilayah kabupaten/kota di Provinsi Jawa Barat. Informasi terkait kode wilayanh kabupaten/kota di Jawa Barat, yaitu: 1 = Kab. Bogor, 2 = Kab. Sukabumi, 3 = Kab. Cianjur, 4 = Kab. Bandung, 5 = Kab. Garut, 6 = Kab. Tasikmalaya, 7 = Kab. Ciamis, 8 = Kab. Kuningan, 9 = Kab. Cirebon, 10 = Kab. Majalengka, 11 = Kab. Sumedang, 12 = Kab. Indramayu, 13 = Kab. Subang, 14 = Kab. Purwakarta, 15 = Kab. Karawang, 16 = Kab. Bekasi, 17 = Kab. Bandung Barat, 18 = Kab. Pangandaran, 71 = Kota Bogor, 72 = Kota Sukabumi, 73 = Kota Bandung, 74 = Kota Cirebon, 75 = Kota Bekasi, 76 = Kota Depok, 77 = Kota Cimahi, 78 = Kota Tasikmalaya, dan 79 = Kota Banjar. Kotak-kotak diatas terbagi menjadi 2 sesuai dengan jenis kelamin responden di tiap wilayah. Dari treemap diatas dapat dilihat bahwa kabupaten/kota dengan responden terbanyak berada di kode wilayah 75 yang merupakan Kota Bekasi dan kode wilayah 76 yang merupakan Kota Depok. Pada kedua kota tersebut dapat dilihat juga bahwa komposisi jenis kelamin laki-laki dan jenis kelamin perempuan hampir sama.