Visualisasi Hubungan Peubah
Data Preparation
mv <- read_excel("data_anreg.xlsx",sheet="data_bersih")
mv <- mv[,c(1,2,3,4,5,6,ncol(mv))]
summary(mv)## Country X1 X2 X3
## Length:163 Min. :2.040 Min. : 1.830 Min. : 1.268
## Class :character 1st Qu.:7.403 1st Qu.: 5.805 1st Qu.: 6.913
## Mode :character Median :8.446 Median : 6.370 Median : 8.502
## Mean :8.033 Mean : 6.451 Mean : 7.828
## 3rd Qu.:9.369 3rd Qu.: 7.701 3rd Qu.: 9.604
## Max. :9.928 Max. :10.000 Max. :10.000
## X4 X5 Y
## Min. : 1.194 Min. :0.4137 Min. :0.3970
## 1st Qu.: 5.425 1st Qu.:4.4985 1st Qu.:0.6000
## Median : 7.780 Median :6.5747 Median :0.7430
## Mean : 6.956 Mean :6.2724 Mean :0.7264
## 3rd Qu.: 9.007 3rd Qu.:7.9900 3rd Qu.:0.8530
## Max. :10.000 Max. :9.9218 Max. :0.9590Kita akan menambahkan peubah baru yaitu berupa peubah kategorik untuk membuat visualisasi lebih eksploratif.
mv$Ybaru <- ifelse(mv$Y >= mean(mv$Y),1,0)
summary(mv)## Country X1 X2 X3
## Length:163 Min. :2.040 Min. : 1.830 Min. : 1.268
## Class :character 1st Qu.:7.403 1st Qu.: 5.805 1st Qu.: 6.913
## Mode :character Median :8.446 Median : 6.370 Median : 8.502
## Mean :8.033 Mean : 6.451 Mean : 7.828
## 3rd Qu.:9.369 3rd Qu.: 7.701 3rd Qu.: 9.604
## Max. :9.928 Max. :10.000 Max. :10.000
## X4 X5 Y Ybaru
## Min. : 1.194 Min. :0.4137 Min. :0.3970 Min. :0.0000
## 1st Qu.: 5.425 1st Qu.:4.4985 1st Qu.:0.6000 1st Qu.:0.0000
## Median : 7.780 Median :6.5747 Median :0.7430 Median :1.0000
## Mean : 6.956 Mean :6.2724 Mean :0.7264 Mean :0.5521
## 3rd Qu.: 9.007 3rd Qu.:7.9900 3rd Qu.:0.8530 3rd Qu.:1.0000
## Max. :10.000 Max. :9.9218 Max. :0.9590 Max. :1.0000Visualisasi Korelasi dan Hubungan Peubah
pairs.panels(mv[,3:ncol(mv)-1],
method="pearson",
lm=T,
main = "Plot Hubungan Peubah dan Korelasi")
Terlihat hubungan-hubungan dari peubah-peubah yang ada. Pada bagian atas terdapat nilai korelasi sedangkan di bagian bawah terdapat scatter plot yang juga terdapat LOESS untuk melihat hubungan antarpeubah. Di bagian diagonal merupakan sebaran data dari masing-masing peubah yang ada.
Visualisasi Peubah Kategorik dan Peubah Numerik
mv$Ykat <- ifelse(mv$Ybaru==1,"Above","Below")
ggplot(data = mv)+
geom_boxplot(aes(x = as.factor(Ykat), y = X1, fill= as.factor(Ykat)))+
labs(title = "Nilai X1 dan Hubungan dengan nilai tengah Y",
x = "Kategori", y = "Nilai")+
scale_fill_brewer("Kategori Y",palette="Dark2")+
theme(legend.position = "right")
Dari visualisasi diatas nilai X1 yang tinggi menyebar di kategor Y “Above” yang artinya diatas rata-rata Y.
Visualisasi Time Series
Data Preparation
apple <- read.csv("apple.csv",sep =",")
micr <- read.csv("microsoft.csv",sep = ",")
apple$Date <- as.Date(apple$Date)
micr$Date <- as.Date(micr$Date)
apple$Company <- "APPLE"
micr$Company <- "MICROSOFT"
data.time.series <- as.data.frame(rbind(apple,micr))
head(data.time.series,5)## Date Open High Low Close Adj.Close Volume Company
## 1 2024-02-08 189.39 189.54 187.35 188.32 188.08 40962000 APPLE
## 2 2024-02-09 188.65 189.99 188.00 188.85 188.85 45155200 APPLE
## 3 2024-02-12 188.42 188.67 186.79 187.15 187.15 41781900 APPLE
## 4 2024-02-13 185.77 186.21 183.51 185.04 185.04 56529500 APPLE
## 5 2024-02-14 185.32 185.53 182.44 184.15 184.15 54630500 APPLEVisualisasi Saham Microsoft dan Apple
ggplot(data.time.series,
aes(x=Date, y=Close, fill= Company))+
labs(title = "Perbandingan Saham Apple VS Microsoft",
subtitle = "Februari 2024 - Mei 2024",
x="Month",
y="Close Stock")+
scale_y_continuous(labels = scales::dollar)+
geom_line(size=1.5)+
geom_smooth(size=.5)+
scale_fill_discrete()+
theme_minimal()+
theme(axis.title = element_text(size=10,face="bold"),
legend.title = element_text(size=10,face="bold"))## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
Terlihat saham Microsoft berada diatas saham Apple selama 6 bulan terakhir. Harga saham Apple cenderung stabil jika dibandingkan dengan Microsoft.
Visualisasi Geospasial
Data Preparation
Loading .shp Indonesia yang diperoleh melalaui
data.humdata.org
Data yang akan kita buat visualisasi merupakan data demografi Kabupaten Bogor.
databogor <- rio::import("https://raw.githubusercontent.com/farhanabdillahh/Regresi-Spasial/main/Data/Data_KabBogor.csv")
glimpse(databogor)## Rows: 40
## Columns: 7
## $ Kabupaten <chr> "Kabupaten Bogor", "Kabupaten Bogor", "Kab…
## $ Kecamatan <chr> "Nanggung", "Leuwiliang", "Leuwisadeng", "…
## $ `Jumlah Penduduk` <int> 99812, 125552, 77871, 159236, 147554, 1702…
## $ `Kepadatan Penduduk` <int> 627, 1379, 2200, 1275, 3838, 5152, 1558, 4…
## $ `Jumlah Desa dan Kelurahan` <int> 11, 11, 8, 15, 15, 13, 7, 10, 11, 8, 9, 9,…
## $ `Kode BPS` <chr> "ID3201010", "ID3201020", "ID3201021", "ID…
## $ `Kode Kemendagri` <chr> "32.01.21", "32.01.14", "32.01.39", "32.01…map_bogor <- map_indonesia %>%
inner_join(databogor, by = c("ADM3_PCODE" = "Kode BPS"))Visualisasi Jumlah Penduduk Kabupaten Bogor
library(ggplot2)
colpal <- RColorBrewer::brewer.pal(5, "Spectral")
jumlah.penduduk <- ggplot() +
geom_sf(data=map_bogor, aes(fill=`Jumlah Penduduk`))+
scale_fill_gradientn(colors = colpal,
name = "Jumlah Penduduk") +
labs(title = "Jumlah Penduduk Kabupaten Bogor") +
theme(legend.text = element_text(size=7),
legend.title = element_text(size=7),
axis.text.x = element_text(size = 7),
axis.text.y = element_text(size = 7),
title = element_text(size=12, face='bold'))
jumlah.penduduk
Terlihat bahwa kebanyakan kecamatan di Kabupaten Bogor memiliki kepadatan penduduk berkisar antara 200.000 - 300.000 jiwa. Kecamatan dengan kepadatan penduduk yang tinggi berada di bagian utara. Hal ini kemungkinan besar terjadi karena daerah utara Kabupaten Bogor berbatasan dengan daerah JaDeTaBek.