Data

automobile <- read.csv("C:/Users/Shabrina/Storage/University/Semester 4/Visualisasi Data/Pertemuan 10/automobile.csv")
library(DT)
DT::datatable(automobile)

Data yang digunakan adalah data automobile India.

Scatter Plot

ggplot(automobile, aes(x = Power, y = Price, color = Transmission)) +
  geom_point() +
  labs(title = "Hubungan Power dan Harga dengan Transmisi Mobil", x = "Power", y = "Price (rupees)", color = "Transmission") +
  theme_minimal()+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))+
  scale_color_manual(values = c("Automatic" = "blue", "Manual" = "red"))

Plot di atas menggambarkan hubungan power dan harga yang dikategorikan berdasarkan transmisi pada mobil, yakni automatic/otomatis dan manual. Power yang dimaksud dalam data adalah horsepower yang merupakan ukuran daya kuda mesin kendaraan bermotor yang memengaruhi kecepatan bergerak. Power dan harga memiliki hubungan linier positif yang artinya semakin besar power maka harga mobil semakin besar. Mobil dengan transmisi manual memiliki power dan harga yang lebih rendah dibandingkan dengan mobil dengan transmisi otomatis. Selain itu, hubungan antara power dan harga pada mobil dengan transmisi otomatis lebih beragam.

Plot Korelasi

automobile2 <- data.frame(automobile$Year, automobile$Kilometers_Driven, automobile$Engine.CC, automobile$Power, automobile$Seats, automobile$Mileage.Km.L, automobile$Price)
automobile2 <- rename(automobile2, 
                      year = automobile.Year, 
                      km_driven = automobile.Kilometers_Driven, 
                      engine_cc = automobile.Engine.CC, 
                      power = automobile.Power, 
                      seats = automobile.Seats, 
                      mileage = automobile.Mileage.Km.L,
                      price = automobile.Price)

library(heatmaply)
library(ggcorrplot)
heatmaply_cor(cor(automobile2),k_col = 2, k_row = 2)

Berdasarkan heatmap di atas, power dan engine_cc memiliki korelasi yang paling besar diikuti dengan power dan price, engine_cc dan price, engine_cc dan mileage, dan lainnya. Sementara itu, korelasi yang paling kecil adalah antara km_driven dan price serta seats dan year.

Data

library(readxl)
eksporimpor <- read_xlsx("C:/Users/Shabrina/Storage/University/Semester 4/Visualisasi Data/Pertemuan 10/eksimp.xlsx")
DT::datatable(eksporimpor)

Data yang digunakan merupakan data nilai total ekspor dan impor Indonesia tahun 2004 hingga 2023 dalam Juta USD.

Plot

library(ggplot2)
ggplot(eksporimpor, aes(x = Tahun)) +
  geom_line(aes(y = Ekspor, color = "Ekspor")) +
  geom_line(aes(y = Impor, color = "Impor")) +
  geom_point(aes(y = Ekspor, color = "Ekspor")) +
  geom_point(aes(y = Impor, color = "Impor")) +
  labs(title = "Nilai Ekspor dan Impor (2004-2023)", x = "Tahun", y = "Nilai (Juta US$)", color = "Kategori") +
  scale_color_manual(values = c("Ekspor" = "blue", "Impor" = "red"),
                     labels = c("Ekspor", "Impor"))+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

Berdasarkan plot tersebut, terlihat bahwa nilai total ekspor dari tahun 2004 hingga 2023 lebih besar dibandingkan dengan nilai total impor. Selain itu, nilai ekspor tertinggi terjadi pada tahun 2011, sedangkan nilai impor tertinggi terjadi pada tahun 2013. Nilai ekspor dan impor terendah terjadi pada tahun 2020. Hal tersebut kemungkinan terjadi akibat dari adanya pandemi covid-19.

Data

library(tmap)

# Data
data("World")

Data yang digunakan merupakan data negara-negara di dunia yang berasal dari paket tmap.

Plot Sebaran Ekonomi

tmap_options(main.title.position = "center")

tm_shape(World) +
  tm_borders() + 
  tm_fill(col = "economy") +
  tm_layout(
    main.title = "Peta Sebaran Ekonomi Dunia",
    legend.bg.color = "white", 
    legend.bg.alpha = 0.7,
  )

Peta di atas menunjukkan sebaran karakteristik ekonomi dunia. Berikut penjelasan setiap kategorinya.

1. Developed region (G7): merujuk pada kelompok tujuh negara industri maju dengan ekonomi terbesar di dunia, meliputi Amerika Serikat, Kanada, Prancis, Jerman, Italia, Jepang, dan Britania Raya.

2. Developed region (non G7): merujuk pada negara industri maju di luar ketujuh negara sebelumnya, misalnya Australia dan Greenland.

3. Emerging region (BRIC): merujuk pada negara berkembang dalam potensi ekonomi global, yang merupakan singkatan dari Brasil, Rusia, India, dan Tiongkok/China.

4. Emerging region (MKIT): merujuk pada negara yang dianggap memiliki perkembangan ekonomi yang cepat. Berupa singkatan dari Meksiko, Korea Selatan, Indonesia, dan Turki.

5. Emerging region (G20): kelompok 20 negara yang sedang berkembang, seperti Argentina, Peru, Mesir, dan Iran.

6. Developing region: negara-negara yang sedang berkembang, biasanya ditandai dengan pendapatan per kapita yang lebih rendah dan infrastruktur yang sedang berkembang. Misalnya, Mongolia, Libya, dan Iraq.

7. Least Developed region: negara-negara dengan tingkat pembangunan ekonomi yang paling rendah, beberapa terdapat di benua Afrika.

Plot Sebaran Angka Harapan Hidup

tmap_options(main.title.position = "center")

tm_shape(World) +
  tm_borders() + 
  tm_fill(col = "life_exp") +
  tm_layout(
    main.title = "Peta Sebaran Angka Harapan Hidup Dunia",
    legend.bg.color = "white", 
    legend.bg.alpha = 0.7,
  )

Peta tersebut memperlihatkan sebaran angka harapan hidup di seluruh negara di dunia. Angka harapan hidup terendah, yakni 45-50 tahun terdapat di beberapa negara di benua Afrika seperti Swaziland/Eswatini dan Lesotho. Angka harapan hidup tertinggi dimiliki negara di antaranya Jepang, Italia, dan Kanada dengan 80-85 tahun. Sementara itu, Indonesia termasuk negara dengan angka harapan hidup berkisar 65-70 tahun.