Baca Data
kor.idv.1 <- read.csv("C:/Users/acer/OneDrive - apps.ipb.ac.id/Semester 4/Visdat/KOR 2023/KOR individu 2023 (1).csv", sep = ",")
Daerah <- kor.idv.1$R102
Klasifikasi <- kor.idv.1$R105
Jenis_kelamin <- kor.idv.1$R405
Umur.kawin <- kor.idv.1$R409
Pendidikan <- kor.idv.1$R612
data1 <- data.frame(Daerah, Klasifikasi, Jenis_kelamin, Umur.kawin, Pendidikan)
Filter Data Berdasarkan Umur Kawin Pertama <
19
under19 <- subset(data1, Umur.kawin < 19 & Umur.kawin != 0)
Berdasarkan Jenis Kelamin (Pie Chart)
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.3.2
##
## 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
under19 %>% count(Jenis_kelamin)
## Jenis_kelamin n
## 1 1 1744
## 2 2 11087
Berdasarkan Daerah (Pake Barchart)
under19 %>% count(Daerah)
## Daerah n
## 1 1 620
## 2 2 729
## 3 3 806
## 4 4 579
## 5 5 788
## 6 6 607
## 7 7 636
## 8 8 380
## 9 9 444
## 10 10 623
## 11 11 558
## 12 12 495
## 13 13 603
## 14 14 529
## 15 15 633
## 16 16 527
## 17 17 744
## 18 18 467
## 19 71 214
## 20 72 240
## 21 73 291
## 22 74 160
## 23 75 179
## 24 76 219
## 25 77 171
## 26 78 279
## 27 79 310
Berdasarkan Pendidikan (Pake Tree Map)
under19 %>% count(Pendidikan)
## Pendidikan n
## 1 0 520
## 2 1 54
## 3 2 7
## 4 3 8374
## 5 4 189
## 6 5 5
## 7 6 24
## 8 8 2109
## 9 9 188
## 10 11 60
## 11 12 2
## 12 13 966
## 13 14 24
## 14 15 107
## 15 18 5
## 16 19 10
## 17 21 187
Berdasarkan Klasifikasi Perkotaan/Pedesaan (Donat
Chart)
under19 %>% count(Klasifikasi)
## Klasifikasi n
## 1 1 6575
## 2 2 6256
Berdasarkan Umur Kawin Pertama
under19 %>% count(Umur.kawin)
## Umur.kawin n
## 1 9 1
## 2 10 29
## 3 11 43
## 4 12 218
## 5 13 434
## 6 14 881
## 7 15 1949
## 8 16 2150
## 9 17 3445
## 10 18 3681