Tugas UAS Visdat
Meriza Immanuela Virgie
2024-05-14
Tugas Praktikum Visualisasi Data
1. Visualisasi antar peubah numerik
Data
library(readxl)
databahagia21 <- read_xlsx("C:/Users/mivir/Downloads/Dimensi Kepuasan Hidup Indeks Kebahagiaan, 2017-2021.xlsx")
str(databahagia21)## tibble [35 × 14] (S3: tbl_df/tbl/data.frame)
## $ Provinsi : chr [1:35] "ACEH" "SUMATERA UTARA" "SUMATERA BARAT" "RIAU" ...
## $ Pendidikan : num [1:35] 63 61.6 62.6 61 64.3 ...
## $ Pekerjaan : num [1:35] 72.9 70.8 71.3 72.8 74.5 ...
## $ Pendapatan Rumah Tangga : num [1:35] 67.4 64.8 66.1 67 69.8 ...
## $ Kesehatan : num [1:35] 75.5 76 75.8 76.6 77 ...
## $ Kondisi Rumah dan Aset : num [1:35] 71.6 73 73.1 74.1 74.5 ...
## $ Personal (Total) : num [1:35] 70 69 69.6 70.2 72 ...
## $ Hubungan Sosial : num [1:35] 80.9 79.2 77.9 79.8 80.2 ...
## $ Keadaan Lingkungan : num [1:35] 81.3 80.9 81.5 81.8 82.6 ...
## $ Kondisi Keamanan : num [1:35] 81.6 78.9 80.5 81.1 81.5 ...
## $ Keharmonisan Keluarga : num [1:35] 84.3 82.6 82.6 84.6 85.1 ...
## $ Ketersediaan Waktu Luang : num [1:35] 76.8 75.3 74.1 77.4 77.7 ...
## $ Sosial (Total) : num [1:35] 81 79.4 79.3 81 81.4 ...
## $ Dimensi Kepuasan Hidup (Total): num [1:35] 75.5 74.2 74.5 75.6 76.7 ...Scatter Plot
plot(databahagia21$`Keharmonisan Keluarga`~databahagia21$`Pendapatan Rumah Tangga`,
pch = 19, col = "darkblue",
ylab = "Keharmonisan Keluarga",
xlab = "Pendapatan Rumah Tangga",
main = "Hubungan Antara Pendapatan RT dengan Keharmonisan Keluarga")
Hubungan antara pendapatan rumah tangga dengan keharmonisan keluarga cenderung linear. Semakin banyak pendapatan yang dihasilkan dalam suatu rumah tangga, maka akan semakin tinggi keharmonisan di dalam keluarga tersebut.
Correlogram
library(reshape2)
library(ggplot2)
datanum <- databahagia21[,-1]
kor <- cor(datanum)
meltnum <- melt(kor)
ggplot(meltnum, aes(Var1, Var2, fill = value)) +
geom_tile(color = "white") +
scale_fill_gradient2(low = "darkslategrey", mid = "white", high = "darkorange", midpoint = 0, limits = c(-1,1), name="Nilai Korelasi") +
labs(title = "Korelasi antar Peubah") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust=1))
Semua peubah pada data berkorelasi positif. Setiap peubah dimensi personal memiliki korelasi yang kuat dengan sesamanya, sedangkan korelasinya dengan peubah pada dimensi sosial kurang kuat. Beberapa peubah yang tergabung dalam dimensi sosial memiliki korelasi yang cukup kuat dengan peubah dalam dimensi personal
2. Visualisasi Spasial
Data
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.0
## ── 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 errorsolympic <- read.csv("C:/Users/mivir/Downloads/olympic-medals-by-country-2024.csv")
olympic <- olympic[-147,c(1,2)]
olympic <- olympic %>% filter(!is.na(OlympicMedalsTotal))
str(olympic)## 'data.frame': 138 obs. of 2 variables:
## $ country : chr "India" "China" "United States" "Indonesia" ...
## $ OlympicMedalsTotal: int 35 713 2985 37 10 27 150 551 58 72 ...world <- map_data("world")
olympic <- olympic %>% rename(region = country)
dataolymp <- left_join(world, olympic, by="region")
datamedal <- dataolymp %>% filter(!is.na(dataolymp$Olympic))
str(datamedal)## 'data.frame': 72589 obs. of 7 variables:
## $ long : num 74.9 74.8 74.8 74.7 74.7 ...
## $ lat : num 37.2 37.2 37.2 37.3 37.3 ...
## $ group : num 2 2 2 2 2 2 2 2 2 2 ...
## $ order : int 12 13 14 15 16 17 18 19 20 21 ...
## $ region : chr "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
## $ subregion : chr NA NA NA NA ...
## $ OlympicMedalsTotal: int 2 2 2 2 2 2 2 2 2 2 ...tertinggi <- datamedal %>%
arrange(desc(OlympicMedalsTotal)) %>%
slice(1)
terendah <- datamedal %>%
arrange(OlympicMedalsTotal) %>%
slice(1)
ggplot(datamedal, aes(x = long, y = lat, group = group)) +
geom_polygon(aes(fill = OlympicMedalsTotal), color = "black") +
scale_fill_gradient(name = "Score", low = "lightcyan", high = "maroon3", na.value = "white") +
theme(axis.text.x = element_blank(),
axis.text.y = element_blank(),
axis.ticks = element_blank(),
axis.title.y = element_blank(),
axis.title.x = element_blank(),
rect = element_blank()) +
geom_text(data = rbind(tertinggi, terendah), aes(label = region), size = 3, color = "black")
Visualisasi geospasial di atas menggambarkan sebaran total jumlah medali olimpiade yang didapatkan oleh setiap negara di dunia. Pada data diatas terlihat Jerman menduduki posisi dengan jumlah medali olimpiade terbanyak, sedangkan Burkina Faso menempati posisi terbawah.
Visualisasi Time Series
Data
library(zoo)##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericmedalseag <- read_xlsx("C:/Users/mivir/Downloads/medali sea games indo.xlsx")
medalseag$Tahun <- as.yearmon(medalseag$Tahun)
medalseag## # A tibble: 7 × 4
## Tahun Emas Perak Perunggu
## <yearmon> <dbl> <dbl> <dbl>
## 1 Nov 2011 182 151 143
## 2 Dec 2013 64 84 110
## 3 Jun 2015 47 61 74
## 4 Aug 2017 38 63 90
## 5 Dec 2019 72 84 111
## 6 May 2021 69 90 81
## 7 May 2023 87 80 109ggplot(medalseag, aes(x = Tahun)) +
geom_line(aes(y = Emas), col = "darkgoldenrod1", size = 1.5, linetype = "dashed") +
geom_point(aes(y = Emas), col = "darkgoldenrod3", size = 2.5) +
geom_line(aes(y = Perak), col = "steelblue", size = 1.5, linetype = "dashed") +
geom_point(aes(y = Perak), col = "lightskyblue4", size = 2.5) +
geom_line(aes(y = Perunggu), col = "darkorange", size = 1.5, linetype = "dashed") +
geom_point(aes(y = Perunggu), col = "darkorange3", size = 2.5) +
labs(title = "Perolehan Medali Sea Games Indonesia 2011-2023",
x = "Tahun",
y = "Jumlah Medali") +
theme_bw()
Plot time series di atas menggambarkan jumlah medali yang didapatkan Indonesia dari tahun 2011 sampai 2023. Total medali tertinggi diraih Indonesia pada tahun 2011. Hal tersebut mungkin memiliki kaitan dengan peran Indonesia sebagai tuan rumah Sea Games tahun 2011. Perolehan medali Indonesia terlihat menurun dari tahun 2011-2015, kemudian naik sampai tahun 2019 dan berfluktuasi setelah itu.