Tugas Individu
Ghonniyu Hiban Saputra-G1401221012
Library
## Warning: package 'readxl' was built under R version 4.3.3## Warning: package 'tidyverse' was built under R version 4.3.2## Warning: package 'ggplot2' 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 3.5.0 ✔ 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##
## Attaching package: 'reshape2'
##
## The following object is masked from 'package:tidyr':
##
## smiths## Warning: package 'psych' was built under R version 4.3.3##
## Attaching package: 'psych'
##
## The following objects are masked from 'package:ggplot2':
##
## %+%, alpha## Warning: package 'sf' was built under R version 4.3.3## Linking to GEOS 3.11.2, GDAL 3.8.2, PROJ 9.3.1; sf_use_s2() is TRUE## Warning: package 'gridExtra' was built under R version 4.3.3##
## Attaching package: 'gridExtra'
##
## The following object is masked from 'package:dplyr':
##
## combine## Warning: package 'ggspatial' was built under R version 4.3.3## Warning: package 'rnaturalearth' was built under R version 4.3.3## Warning: package 'rnaturalearthdata' was built under R version 4.3.3##
## Attaching package: 'rnaturalearthdata'
##
## The following object is masked from 'package:rnaturalearth':
##
## countries110Input Data
data1 <- read_xlsx("C:/Users/Ghonniyu/Downloads/FINAL ANREG.xlsx",sheet="Kode Peubah")
data1 <- data1[-c(1),]
data1## # A tibble: 34 × 12
## Provinsi Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Aceh 73.4 14.4 4.23 3.76 92.6 65.9 2.56 78.4 6.03 1.32 96
## 2 Sumatera U… 73.4 8.15 5.01 5.4 91.3 71.0 5.44 76.0 5.89 3.20 213
## 3 Sumatera B… 73.8 5.95 4.62 4.3 94.9 59.8 2.35 79.7 5.94 0.665 135
## 4 Riau 74.0 6.68 4.21 4.02 89.0 71.5 2.73 75.9 4.23 7.15 76
## 5 Jambi 72.8 7.58 4.66 4.9 89.3 64.1 1.13 73.0 4.53 1.32 76
## 6 Sumatera S… 71.6 11.8 5.08 5.08 93.2 61.8 2.59 71.5 4.11 3.79 102
## 7 Bengkulu 72.8 14.0 4.26 3.96 91.6 54.7 0.63 76.9 3.42 1.07 103
## 8 Lampung 71.2 11.1 4.55 3.93 90.8 63.2 1.87 72.2 4.23 1.13 268
## 9 Kepulauan … 72.8 4.52 4.38 4.01 89.8 32.6 0.61 70.0 4.56 1.18 90
## 10 Kepulauan … 77.1 5.69 5.2 4.88 94.0 54.2 1.19 76.0 6.8 1.31 260
## # ℹ 24 more rows## Rows: 25 Columns: 8
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): Volume
## dbl (2): % Change, % Change vs Average
## num (4): Open, High, Low, Close
## dttm (1): Date
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.## # A tibble: 25 × 8
## Date Open High Low Close `% Change` `% Change vs Average`
## <dttm> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2022-04-30 17:00:00 1897. 1904. 1787 1843. -3.49 -4.34
## 2 2022-05-31 17:00:00 1831 1876. 1801 1804. -2.09 -2.95
## 3 2022-06-30 17:00:00 1796. 1806. 1680. 1763. -2.28 -3.14
## 4 2022-07-31 17:00:00 1764. 1805. 1708. 1713. -2.84 -3.69
## 5 2022-08-31 17:00:00 1708. 1728. 1620. 1662. -2.94 -3.8
## 6 2022-10-01 17:00:00 1667. 1728 1623. 1636. -1.59 -2.45
## 7 2022-10-31 17:00:00 1631. 1779. 1615. 1746 6.73 5.88
## 8 2022-11-30 17:00:00 1769. 1826. 1764. 1820. 4.22 3.37
## 9 2022-12-31 17:00:00 1836. 1941. 1835. 1930. 6.03 5.18
## 10 2023-01-31 17:00:00 1927. 1959. 1808. 1829. -5.21 -6.07
## # ℹ 15 more rows
## # ℹ 1 more variable: Volume <chr>Visualisasi Antar Peubah
Scatter Plot
plot_X1 <- ggplot(data1, aes(x = X1, y = Y)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
labs(x = "Persentase Penduduk Miskin", y = "IPM")
plot_X2 <- ggplot(data1, aes(x = X2, y = Y)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
labs(x = "Laju Pertumbuhan Ekonomi", y = "IPM")
plot_X3 <- ggplot(data1, aes(x = X3, y = Y)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
labs(x = "PDRB", y = "IPM")
plot_X4 <- ggplot(data1, aes(x = X4, y = Y)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
labs(x = "Indeks Pembangunan Gender", y = "IPM")
# Menggabungkan scatter plot ke dalam satu layout
grid.arrange(plot_X1, plot_X2, plot_X3, plot_X4, nrow = 2)## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
Interpretasi : Terlihat bahwa persentase penduduk miskin(X1), laju
pertumbuhan ekonomi(X2), dan PRDB(X3) menunjukkan hubungan linear
negatif yang menandakan bahwa semakin sedikit rendah nilai X1,X2, dan X3
maka nilai IPM (Y) akan cenderung meningkat. Sementara peubah Indeks
Pembangunan Gender(X4) memiliki hubungan positif terhadap IPM(Y).
Matrix Plot
## tibble [34 × 11] (S3: tbl_df/tbl/data.frame)
## $ Y : num [1:34] 73.4 73.4 73.8 74 72.8 ...
## $ X1 : num [1:34] 14.45 8.15 5.95 6.68 7.58 ...
## $ X2 : num [1:34] 4.23 5.01 4.62 4.21 4.66 5.08 4.26 4.55 4.38 5.2 ...
## $ X3 : num [1:34] 3.76 5.4 4.3 4.02 4.9 5.08 3.96 3.93 4.01 4.88 ...
## $ X4 : num [1:34] 92.5 91.3 94.9 89 89.3 ...
## $ X5 : num [1:34] 65.9 71 59.9 71.5 64.1 ...
## $ X6 : num [1:34] 2.56 5.44 2.35 2.73 1.13 2.59 0.63 1.87 0.61 1.19 ...
## $ X7 : num [1:34] 78.4 76 79.7 75.9 73 ...
## $ X8 : num [1:34] 6.03 5.89 5.94 4.23 4.53 4.11 3.42 4.23 4.56 6.8 ...
## $ X9 : num [1:34] 1.316 3.197 0.665 7.148 1.324 ...
## $ X10: num [1:34] 96 213 135 76 76 102 103 268 90 260 ...data_melt <- round(cor(data_numerik[sapply(data_numerik,is.numeric)]),2)
data_melt <- melt(data_melt)
ggplot(data_melt, aes(x = Var1, y = Var2, fill = value)) +
geom_tile() +
labs(title = "Correlation Heatmap",
x = "Variable 1",
y = "Variable 2")
## Warning: package 'ggcorrplot' was built under R version 4.3.3data_corrl <- round(cor(data_numerik), 1)
data_corrl <- cor(data_corrl)
ggcorrplot(data_corrl)+
geom_text(aes(Var2, Var1, label = value), size = 2)
Interpretasi : Dari gambar-gambar di atas, dapat disimpulkan bahwa
terdapat indikasi multikolinieritas antara beberapa variabel X, seperti
X2 dan X3. Korelasi yang cukup besar antara kedua variabel ini, yang
ditunjukkan dengan warna yang lebih gelap atau lebih terang dalam plot,
menandakan adanya hubungan yang signifikan di antara keduanya. Oleh
karena itu, dapat disimpulkan bahwa X2 dan X3 saling mempengaruhi karena
adanya korelasi yang signifikan.
Visualisasi Untuk Time Series
ggplot(data2, aes(x = Date, y = Close)) +
geom_point() +
geom_line(aes=10) +
labs(title = "Scatter Plot of Time Series Data (Comex Gold)",
x = "Date",
y = "Value (Close)")## Warning in geom_line(aes = 10): Ignoring unknown parameters: `aes`
data_close <- data2$Close
data.ts <- ts(data_close)
plot(data.ts, xlab ="Waktu", ylab = "Data Close Comex Gold", col="red", main = "Plot Data Close Comex Gold")
points(data.ts)
Interprestasi :
Grafik tersebut menggambarkan pola kenaikan dan penurunan harga saham Comex Gold seiring waktu. Terlihat bahwa saham Comex Gold mengalami fluktuasi harga. Titik-titik puncak pada grafik menunjukkan periode-periode di mana harga saham mencapai level tertinggi, yang terlihat menurun pada bulan agustus tahun 2022 lalu mengalami kenaikan yang cukup pesat yaitu saham dari oktober 2022 hingga januari 2023 dan seterusnya hingga pada januari 2024 mengalami peningkatan yang sangat signifikan.
# Memplot kedua seri waktu
ggplot() +
geom_line(data = data2, aes(x = Date, y = Open, color = "Open")) +
geom_line(data = data2, aes(x = Date, y = Close, color = "Close")) +
labs(title = "Perbandingan Dua Data Time Series (Open vs. Close)",
x = "Date",
y = "Value",
color = "Series") +
scale_color_manual(values = c("Open" = "blue", "Close" = "red")) +
theme_minimal()
Interpretasi : Grafik di atas mengilustrasikan perbandingan harga saham
pembukaan (open) dan harga saham penutupan (close) Comex Gold. Terlihat
bahwa pola grafik keduanya hampir serupa, karena hal tersebut bisa saja
terjadi akibat masih dalam satu perusahaan yang sama.
Visualisasi Data Spasial
arrests <- USArrests
arrests$region <- tolower(rownames(USArrests))
states_map <- map_data("state")
arrests_map <- left_join(states_map, arrests, by = "region")
ggplot(arrests_map, aes(long, lat, group = group))+
geom_polygon(aes(fill = Rape), color = "white")+
scale_fill_viridis_c(option = "C") +
theme_classic() 
Interpretasi : Berikut merupakan sebaran penangkapan kasus
pemerkosaan(rape) yang didapatkan dari dataset program R yaitu USAarrest
kasus penangkapan tindak kejahatan di Amerika. Dimana skala tingkatnya
dapat dilihat dari warna kuning(terang) hingga ungu(gelap). Pada peta
dapat dilihat pada bagian barat Amerika Serikat terdapat banyak kasus
pemerkosaan dan yang tersedikit berdapa pada daerah utara dan timur.