library(tidyverse)
## Warning: package 'tidyverse' was built under R version 4.3.3
## Warning: package 'ggplot2' was built under R version 4.3.3
## Warning: package 'dplyr' 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 1.1.4 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.5.0 ✔ 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(ggridges)
## Warning: package 'ggridges' was built under R version 4.3.3
library(GGally)
## Warning: package 'GGally' was built under R version 4.3.3
## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2
data <- read.csv("C:/Users/ASUS/Downloads/2023 Maret JABAR - SUSENAS KOR Rumah Tangga.csv", header=TRUE, sep=",")
view(data)
str(data)
## 'data.frame': 25890 obs. of 199 variables:
## $ X : int 0 1 2 3 4 5 6 7 8 9 ...
## $ URUT : int 500001 500002 500003 500004 500005 500006 500007 500008 500009 500010 ...
## $ PSU : int 12448 31373 12092 31135 33988 34062 33428 18431 18089 114 ...
## $ SSU : int 123442 311039 119908 308689 336798 337531 331261 182888 179477 1020 ...
## $ WI1 : int 12435 31360 12079 31122 33975 34049 33415 18418 18076 101 ...
## $ WI2 : int 123427 311024 119893 308674 336783 337516 331246 182873 179462 1005 ...
## $ R101 : int 32 32 32 32 32 32 32 32 32 32 ...
## $ R102 : int 7 72 6 72 77 77 75 11 10 1 ...
## $ R105 : int 2 1 2 1 1 1 1 2 2 1 ...
## $ NUINFORT : int 2 1 2 2 1 1 1 2 2 2 ...
## $ R1701 : int 5 1 5 5 5 5 1 1 1 5 ...
## $ R1702 : int 5 1 5 5 5 5 1 1 5 5 ...
## $ R1703 : int 5 1 5 5 5 5 1 5 5 5 ...
## $ R1704 : int 5 5 5 5 5 5 1 5 5 5 ...
## $ R1705 : int 5 5 5 5 5 5 1 5 5 5 ...
## $ R1706 : int 5 5 5 5 5 5 1 5 5 5 ...
## $ R1707 : int 5 5 5 5 5 5 1 5 5 5 ...
## $ R1708 : int 5 5 5 5 5 5 1 5 5 5 ...
## $ NUINFORT1 : int 2 1 2 2 1 1 1 2 2 2 ...
## $ R1801 : int 1 1 1 2 1 1 1 2 1 1 ...
## $ R1802 : int 1 1 1 1 3 1 3 1 1 1 ...
## $ R1803 : int 5 1 1 1 0 1 0 5 1 5 ...
## $ R1804 : int 110 35 96 300 84 300 100 42 54 80 ...
## $ R1805 : int 5 5 5 5 1 1 5 5 5 1 ...
## $ R1806 : int 2 3 2 2 2 2 2 2 2 1 ...
## $ R1807 : int 1 1 1 1 1 1 1 1 1 1 ...
## $ R1808 : int 4 6 2 2 2 2 2 2 2 2 ...
## $ R1809A : int 2 1 1 1 1 1 1 1 1 1 ...
## $ R1809B : int 1 1 1 1 1 1 1 1 1 1 ...
## $ R1809C : int 1 4 1 1 1 1 1 1 3 1 ...
## $ R1809D : int 98 0 20 98 98 98 98 98 0 8 ...
## $ R1809E : int 7 0 7 7 7 7 7 7 0 7 ...
## $ R1810A : int 4 4 5 2 1 1 4 7 4 5 ...
## $ R1810B : int 2 2 1 0 0 0 2 2 1 1 ...
## $ R1811A : int 2 1 1 2 1 1 1 2 1 1 ...
## $ R1811B : int 998 0 0 10 0 0 0 998 0 0 ...
## $ R1812 : int 5 5 5 5 5 5 1 5 5 5 ...
## $ R1813A : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1813B : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1813C : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1813D : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1813E : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1814A : int 4 4 5 5 4 3 4 7 4 5 ...
## $ R1814B : int 2 2 1 2 2 0 2 2 1 1 ...
## $ R1815A : int 1 1 1 1 1 1 1 1 1 2 ...
## $ R1815B : int 1 1 1 1 1 1 1 1 1 1 ...
## $ R1815C : int 1 1 5 1 1 1 5 1 1 1 ...
## $ R1816 : int 1 1 1 1 1 1 1 1 1 1 ...
## $ R1816B1 : int 1 1 1 2 1 3 3 1 1 1 ...
## $ R1816B2 : int 0 0 1 0 0 0 0 0 0 0 ...
## $ R1816B3 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ R1817 : int 4 4 4 4 2 3 4 4 4 4 ...
## $ R1901A : int 1 5 5 1 5 5 5 5 5 5 ...
## $ R1901B : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1901C : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1901D : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1901E : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1901F : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1901G : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1901H : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1901I : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R1901J : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R2001A : int 5 5 5 5 1 1 5 5 5 5 ...
## $ R2001B : int 1 5 1 1 1 1 5 1 1 5 ...
## $ R2001C : int 5 5 5 5 5 1 5 5 5 5 ...
## $ R2001D : int 5 5 5 5 5 1 5 5 5 5 ...
## $ R2001E : int 5 5 5 5 5 1 5 5 5 5 ...
## $ R2001F : int 1 5 5 5 1 1 5 5 5 5 ...
## $ R2001G : int 5 5 5 5 5 1 5 1 5 5 ...
## $ R2001H : int 5 5 1 1 1 1 1 1 1 1 ...
## $ R2001I : int 5 5 5 5 1 1 5 5 5 5 ...
## $ R2001J : int 5 5 5 5 1 5 5 5 5 5 ...
## $ R2001K : int 5 5 5 5 1 1 5 5 5 5 ...
## $ R2001L : int 5 5 5 5 1 1 5 5 5 5 ...
## $ R2001M : int 1 1 1 1 5 1 5 5 1 5 ...
## $ R2002_A : chr "A" "A" "A" "A" ...
## $ R2002_B : chr "" "" "" "" ...
## $ R2002_C : chr "" "" "" "" ...
## $ R2002_D : chr "" "" "" "" ...
## $ R2101A : int 2 1 1 1 1 4 2 1 1 1 ...
## $ R2101B : int 0 2 1 1 2 0 0 4 1 1 ...
## $ R2101C : int 2 0 0 0 0 0 3 0 0 0 ...
## $ R2201A2 : int 1 5 5 5 5 5 5 5 5 5 ...
## $ R2201A3 : int 1 0 0 0 0 0 0 0 0 0 ...
## $ R2201B2 : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R2201B3 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ R2201C2 : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R2201C3 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ R2201D2 : int 5 5 5 5 1 5 5 5 5 5 ...
## $ R2201D3 : int 0 0 0 0 1 0 0 0 0 0 ...
## $ R2201E2 : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R2201E3 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ R2201F2 : int 5 5 5 5 5 5 5 5 5 5 ...
## $ R2201F3 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ R2202 : int 2 1 5 5 5 5 5 2 2 5 ...
## $ R2203 : int 1 5 5 5 5 5 5 5 5 5 ...
## $ R2204A : int 1 0 0 0 0 0 0 0 0 0 ...
## $ R2204B : int 4 0 0 0 0 0 0 0 0 0 ...
## $ R2204C_A : chr "A" "" "" "" ...
## [list output truncated]
ggplot(data, aes (x=status_kepemilikan)) +
geom_bar(fill = "#FF6666") +
labs(tittle = "Apa Status Kepemilikan Bangunan Tempat Tinggal",
x = "Status kepemilikan",
y = "Jumlah") + coord_flip()
library(dplyr)
data %>%
count(status_kepemilikan) %>%
slice_max(n = 5, order_by = n) %>%
ggplot() +
geom_col(aes(x = fct_reorder(as.factor(status_kepemilikan), n), y = n), fill = "#FF6666", width = 0.4) +
geom_text(aes(x = fct_reorder(as.factor(status_kepemilikan), n), y = n, label = n),
position = position_stack(vjust = 0.5), color = "white", size = 3) +
labs(tittle = "Apa Status Kepemilikan Bangunan Tempat Tinggal",
x = "Status kepemilikan",
y = "Jumlah") +
coord_flip()
Bar Chart tersebut menunjukkan frekuensi untuk setiap kategori status kepemilikan tempat tinggal. Variabel “status_kepemilikan” diposisikan pada sumbu x, sedangkan jumlah observasi ditampilkan pada sumbu y karena menggunakan ‘coord_flip()’. Pada Bar Chart terlihat bahwa status kepemilikan bangunan tempat tinggal warga Jawa Barat pada tahun 2023 paling banyak adalah milik sendiri dengan jumlah 21.385 kepemilikan, sedangkan paling sedikit yaitu kategori lainnya dengan jumlah 6 kepemilikan. Namun, karena skala pada Bar Chart terlalu besar, visualiasi untuk kategori “Lainnya” yang hanya berjumlah 6 kepemilikan menjadi tidak terlihat.
data %>%
count(status_kepemilikan) %>%
slice_max(n = 5, order_by = n) %>%
ggplot() +
geom_segment(aes(x = fct_reorder(as.factor(status_kepemilikan), n),
xend = fct_reorder(as.factor(status_kepemilikan), n),
y = 0, yend = n),
color = "#000066") +
geom_point(aes(x = fct_reorder(as.factor(status_kepemilikan), n), y = n),
color = "#FF6666", size = 3) +
scale_y_continuous(expand = c(0, 0)) +
coord_flip() +
ggtitle("Apa Status Kepemilikan Bangunan Tempat Tinggal") +
xlab("") +
ylab("Jumlah") +
theme_light() +
theme(plot.title = element_text(hjust = 0.5))
Lollipop Chart tersebut merepresentasikan tentang frekuensi untuk setiap kategori Status Kepemilikan Bangunan Tempat Tinggal. Garis segmen menghubungkan sumbu x dengan nilai numerik yang sesuai di sumbu y dan titik yang berada pada ujung garis segmen mewakili frekuensi untuk setiap kategori. Pada Lollipop Chart terlihat bahwa status kepemilikan bangunan tempat tinggal warga Jawa Barat pada tahun 2023 paling banyak adalah milik sendiri dengan jumlah 21.385 kepemilikan, sedangkan paling sedikit yaitu kategori lainnya dengan jumlah 6 kepemilikan. Namun, karena skala pada Lollipop Chart terlalu besar, visualiasi untuk kategori “Lainnya” yang hanya berjumlah 6 kepemilikan menjadi tidak terlihat.
ggplot(data)+
geom_histogram(aes(x=R1804), binwitdh=50, fill="#FF0066", color="#e9ecef", alpha=0.8)+
labs(title="Histogram Luas Lantai Bangunan Tempat Tinggal")+
xlab("Luas Lantai")+
ylab("Jumlah")+
xlim(0,950)
## Warning in geom_histogram(aes(x = R1804), binwitdh = 50, fill = "#FF0066", :
## Ignoring unknown parameters: `binwitdh`
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_bar()`).
Histogram tersebut menampilkan distribusi frekuensi luas lantai bangunan tempat tinggal dengan setiap batang histogram mewakili jumlah bangunan yang berada dalam interval luas lantai tertentu. Histogram Luas Lantai Bangunan di Jawa Barat pada tahun 2023 menjulur ke kanan sehingga mean > median > modus. Terdapat pula pencilan (nilai ekstrim) dengan nilai 935 m2.
ggplot(data)+
geom_density(aes(x=R1804, fill= "Luas Lantai" ),color="#FF0066", alpha=0.5)+
labs(title="Density Plot Luas Lantai Bangunan Tempat Tinggal")+
xlab("Luas Lantai")+
ylab("Jumlah")+
xlim(0,950)
Density Plot tersebut menunjukkan perkiraan kepadatan distribusi Luas Lantai Bangunan Tempat Tinggal yang berada dalam interval luas 0-935 m2. Density Plot Luas Lantai Bangunan Tempat Tinggal di Jawa Barat pada tahun 2023 menjulur ke kanan sehingga mean > median > modus. Terdapat pula pencilan (nilai ekstrim) dengan nilai 935 m2.
data$sumber_pembiayaan <- case_when(
data$R2101A == 1 ~ "ART yang bekerja",
data$R2101A == 2 ~ "Kiriman uang/barang",
data$R2101A == 3 ~ "Investasi",
data$R2101A == 4 ~ "Pensiunan",
)
2.Membuat Pie Chart
ggplot(data, aes(x = "R2101A", fill = sumber_pembiayaan)) +
geom_bar(stat = "count", width = 1) +
coord_polar(theta = "y") +
scale_fill_brewer(palette = "Set2") +
theme_void() +
labs(title = "Sumber Terbesar Pembiayaan Rumah Tangga", fill = "sumber_pembiayaan") +
geom_text(aes(label = after_stat(count)), stat = "count", position = position_stack(vjust = 0.5))
Pie Chart tersebut memberikan interpretasi data dalam memvisualisasikan kontribusi relatif dari masing-masing sumber pembiayaan rumah tangga di Jawa Barat 2023. Dapat dilihat bahwa sumber pembiayaan warga Jawa Barat paling besar hanya berasal dari ART yang bekerja dengan jumlah 23.184, sedangkan sumber pembiayaan terkecil berasal dari investasi dengan hanya 52 yang artinya warga Jawa Barat pada tahun 2023 masih minim ilmu investasi.
1.Membaca Data
library(readr)
library(treemap)
## Warning: package 'treemap' was built under R version 4.3.3
library(dplyr)
data <- read.csv("C:/Users/ASUS/Downloads/2023 Maret JABAR - SUSENAS KOR Rumah Tangga.csv", header=TRUE, sep=",")
data %>%
mutate(R1803 = case_when(
R1803 == 1 ~ "SHM atas nama ART",
R1803 == 2 ~ "SHM bukan ART dengan perjanjian",
R1803 == 3 ~ "SHM bukan ART tanpa perjanjian",
R1803 == 4 ~ "Sertifikat selain SHM",
R1803 == 5 ~ "Surat bukti lainnya",
R1803 == 6 ~ "Tidak punya"
)) %>%
mutate(R2101A = case_when(
R2101A == 1 ~ "ART yang bekerja",
R2101A == 2 ~ "Kiriman uang/barang",
R2101A == 3 ~ "Investasi",
R2101A == 4 ~ "Pensiunan"
)) %>%
treemap(data,
draw = TRUE,
title="Treemap: Sumber Pembiayaan dan Kepemilikan Tanah",
index=c("R1803", "R2101A"),
vSize="R1802",
fontsize.title=20,
fontsize.labels=12,
fontcolor.labels="white")
Treemap tersebut menggambarkan hubungan antara Sumber Terbesar Pembiayaan Rumah Tangga , Jenis Bukti Kepemilikan Tanah Bangunan Tempat Tinggal, dan Status Kepemilikan Bangunan Tempat Tinggal pada warga Jawa Barat tahun 2023. Treemap dibagi berdasarkan dua variabel, yaitu Jenis Bukti Kepemilikan dan Status Kepemilikan. Ukuran area persegi panjang pada treemap ditentukan oleh variabel Status Kepemilikan. Semakin besar nilai Status Kepemilikan untuk setiap subset, maka semakin besar pula area persegi panjangnya. Berdasarkan treemap diatas, warga Jawa Barat pada tahun 2023 paling banyak memiliki bukti kepemilikan dalam bentuk SHM atas nama ART yang terdiri dari ART yang bekerja, Kiriman uang/barang, Pensiunan, dan Investasi (terbesar ke terkecil). Sedangkan, paling sedikit memiliki bukti kepemilikan dalam bentuk Sertifikat selain SHM.