Tugas Praktikum 10
Dalilah Husna - G1401221003
2024-05-08
Read Data
data1 <- read.csv("C:\\Users\\USER\\OneDrive - apps.ipb.ac.id\\Semester 4\\Visualisasi Data\\Praktikum\\Rainfall_data.csv")
data1## Year Month Day Specific.Humidity Relative.Humidity Temperature
## 1 2000 1 1 8.06 48.25 23.93
## 2 2000 2 1 8.73 50.81 25.83
## 3 2000 3 1 8.48 42.88 26.68
## 4 2000 4 1 13.79 55.69 22.49
## 5 2000 5 1 17.40 70.88 19.07
## 6 2000 6 1 19.53 84.19 7.91
## 7 2000 7 1 18.80 88.50 6.67
## 8 2000 8 1 18.86 88.44 7.07
## 9 2000 9 1 18.43 86.12 10.63
## 10 2000 10 1 16.72 78.38 15.38
## 11 2000 11 1 12.02 63.69 17.48
## 12 2000 12 1 7.39 44.56 20.09
## 13 2001 1 1 8.06 45.81 22.94
## 14 2001 2 1 7.57 41.56 22.70
## 15 2001 3 1 11.29 55.56 20.97
## 16 2001 4 1 12.27 49.69 22.73
## 17 2001 5 1 16.60 62.44 16.03
## 18 2001 6 1 19.10 81.94 9.83
## 19 2001 7 1 19.23 89.00 5.98
## 20 2001 8 1 18.92 90.94 5.47
## 21 2001 9 1 18.68 87.69 10.91
## 22 2001 10 1 16.72 80.19 14.76
## 23 2001 11 1 12.51 66.56 18.25
## 24 2001 12 1 9.83 56.44 17.97
## 25 2002 1 1 8.18 51.06 23.58
## 26 2002 2 1 7.75 39.31 25.44
## 27 2002 3 1 9.77 43.44 23.32
## 28 2002 4 1 12.88 50.12 21.04
## 29 2002 5 1 16.85 60.44 19.38
## 30 2002 6 1 19.17 78.06 13.12
## 31 2002 7 1 18.92 85.12 6.26
## 32 2002 8 1 18.86 89.88 6.24
## 33 2002 9 1 17.88 85.75 12.04
## 34 2002 10 1 15.81 71.75 17.16
## 35 2002 11 1 11.17 57.00 18.57
## 36 2002 12 1 8.67 48.75 23.45
## 37 2003 1 1 8.48 43.25 25.19
## 38 2003 2 1 9.34 48.12 21.83
## 39 2003 3 1 9.09 42.19 23.27
## 40 2003 4 1 13.24 52.44 21.49
## 41 2003 5 1 15.69 58.44 20.51
## 42 2003 6 1 19.53 79.75 14.93
## 43 2003 7 1 20.20 89.81 5.22
## 44 2003 8 1 19.23 89.50 5.56
## 45 2003 9 1 18.68 88.94 7.65
## 46 2003 10 1 15.87 76.00 15.73
## 47 2003 11 1 13.43 69.81 16.23
## 48 2003 12 1 9.64 56.44 20.71
## 49 2004 1 1 8.67 51.94 22.16
## 50 2004 2 1 7.51 38.88 24.88
## 51 2004 3 1 8.73 37.19 23.07
## 52 2004 4 1 14.04 57.25 18.28
## 53 2004 5 1 16.91 62.81 21.23
## 54 2004 6 1 19.23 81.31 11.20
## 55 2004 7 1 19.35 87.25 6.24
## 56 2004 8 1 18.98 90.62 5.70
## 57 2004 9 1 18.86 87.00 10.34
## 58 2004 10 1 15.20 76.69 14.52
## 59 2004 11 1 13.06 66.50 16.66
## 60 2004 12 1 9.34 54.44 18.29
## 61 2005 1 1 8.00 49.50 22.85
## 62 2005 2 1 8.54 46.69 26.70
## 63 2005 3 1 10.19 48.50 24.38
## 64 2005 4 1 11.96 48.50 23.25
## 65 2005 5 1 15.87 59.81 18.37
## 66 2005 6 1 19.17 76.12 12.55
## 67 2005 7 1 20.14 91.12 4.91
## 68 2005 8 1 19.17 90.19 6.21
## 69 2005 9 1 19.47 92.06 9.00
## 70 2005 10 1 15.62 76.81 16.19
## 71 2005 11 1 11.54 66.81 17.23
## 72 2005 12 1 9.46 58.50 19.30
## 73 2006 1 1 8.24 49.38 23.38
## 74 2006 2 1 7.87 38.50 24.25
## 75 2006 3 1 10.38 48.25 23.80
## 76 2006 4 1 13.37 56.88 19.78
## 77 2006 5 1 16.66 63.94 16.48
## 78 2006 6 1 19.59 81.62 8.96
## 79 2006 7 1 19.41 91.12 4.73
## 80 2006 8 1 18.86 91.56 5.13
## 81 2006 9 1 19.29 90.44 8.38
## 82 2006 10 1 17.03 79.38 14.12
## 83 2006 11 1 14.34 74.56 13.64
## 84 2006 12 1 10.86 62.12 17.57
## 85 2007 1 1 8.85 51.56 22.68
## 86 2007 2 1 10.01 53.69 20.73
## 87 2007 3 1 9.34 42.44 25.30
## 88 2007 4 1 12.94 50.88 23.70
## 89 2007 5 1 16.24 60.12 15.14
## 90 2007 6 1 20.08 81.25 10.63
## 91 2007 7 1 20.02 89.75 6.21
## 92 2007 8 1 19.59 90.81 6.16
## 93 2007 9 1 19.47 89.62 8.16
## 94 2007 10 1 14.65 73.50 14.66
## 95 2007 11 1 12.82 67.94 18.42
## 96 2007 12 1 10.68 60.69 20.99
## 97 2008 1 1 7.45 47.12 23.96
## 98 2008 2 1 6.65 39.25 29.28
## 99 2008 3 1 10.01 44.62 22.02
## 100 2008 4 1 12.82 51.94 21.89
## 101 2008 5 1 16.17 61.44 15.66
## 102 2008 6 1 19.59 84.12 12.20
## 103 2008 7 1 19.53 89.38 5.33
## 104 2008 8 1 18.98 90.31 6.88
## 105 2008 9 1 18.80 88.88 10.93
## 106 2008 10 1 15.50 75.06 16.25
## 107 2008 11 1 13.00 67.69 17.81
## 108 2008 12 1 10.80 58.06 20.38
## 109 2009 1 1 9.09 50.12 24.01
## 110 2009 2 1 7.69 39.81 25.62
## 111 2009 3 1 9.70 42.19 23.08
## 112 2009 4 1 12.27 47.75 22.87
## 113 2009 5 1 15.81 58.56 16.99
## 114 2009 6 1 18.55 73.06 11.15
## 115 2009 7 1 19.84 90.44 5.26
## 116 2009 8 1 19.41 89.44 6.26
## 117 2009 9 1 19.41 88.69 9.84
## 118 2009 10 1 15.87 75.62 15.39
## 119 2009 11 1 14.22 75.12 16.66
## 120 2009 12 1 11.60 67.12 18.44
## 121 2010 1 1 9.83 56.94 20.45
## 122 2010 2 1 9.16 50.50 23.31
## 123 2010 3 1 10.62 47.12 23.78
## 124 2010 4 1 13.79 53.25 21.23
## 125 2010 5 1 17.09 59.88 15.62
## 126 2010 6 1 20.57 84.19 10.43
## 127 2010 7 1 20.39 91.50 6.21
## 128 2010 8 1 19.78 91.06 6.07
## 129 2010 9 1 19.41 88.75 9.36
## 130 2010 10 1 17.88 81.88 13.84
## 131 2010 11 1 17.03 82.31 13.91
## 132 2010 12 1 11.23 70.69 19.12
## 133 2011 1 1 8.85 56.69 22.66
## 134 2011 2 1 9.03 51.19 22.02
## 135 2011 3 1 8.73 39.44 23.73
## 136 2011 4 1 13.55 55.12 20.60
## 137 2011 5 1 16.17 60.94 15.72
## 138 2011 6 1 19.78 82.50 11.82
## 139 2011 7 1 19.71 90.06 7.24
## 140 2011 8 1 19.53 91.38 6.05
## 141 2011 9 1 18.74 88.56 8.30
## 142 2011 10 1 17.03 79.06 14.62
## 143 2011 11 1 13.00 66.69 16.54
## 144 2011 12 1 10.07 58.62 20.41
## 145 2012 1 1 8.18 54.44 21.98
## 146 2012 2 1 6.47 35.88 29.15
## 147 2012 3 1 7.51 37.50 27.43
## 148 2012 4 1 13.06 53.44 20.14
## 149 2012 5 1 15.75 61.19 15.54
## 150 2012 6 1 18.68 74.69 13.49
## 151 2012 7 1 19.84 88.75 6.79
## 152 2012 8 1 19.41 90.31 5.54
## 153 2012 9 1 18.86 89.06 10.54
## 154 2012 10 1 16.78 78.44 14.91
## 155 2012 11 1 12.45 67.31 17.12
## 156 2012 12 1 10.99 63.00 17.77
## 157 2013 1 1 8.54 53.44 22.33
## 158 2013 2 1 9.52 49.81 23.10
## 159 2013 3 1 9.46 43.00 22.10
## 160 2013 4 1 13.24 55.75 20.92
## 161 2013 5 1 16.36 60.31 17.23
## 162 2013 6 1 19.96 86.50 10.90
## 163 2013 7 1 19.47 91.69 4.83
## 164 2013 8 1 18.80 89.81 5.59
## 165 2013 9 1 18.98 88.62 8.92
## 166 2013 10 1 17.40 81.94 14.21
## 167 2013 11 1 13.49 71.12 16.74
## 168 2013 12 1 10.19 60.88 17.84
## 169 2014 1 1 9.52 56.69 22.52
## 170 2014 2 1 8.91 48.56 22.50
## 171 2014 3 1 10.01 45.31 26.31
## 172 2014 4 1 12.21 48.88 22.52
## 173 2014 5 1 15.38 56.56 17.28
## 174 2014 6 1 18.31 68.06 13.32
## 175 2014 7 1 19.65 86.69 9.27
## 176 2014 8 1 19.41 90.44 7.85
## 177 2014 9 1 18.49 86.88 10.76
## 178 2014 10 1 16.36 75.31 14.91
## 179 2014 11 1 13.12 66.94 16.23
## 180 2014 12 1 9.34 54.50 21.85
## 181 2015 1 1 8.67 53.25 21.37
## 182 2015 2 1 8.24 43.69 22.51
## 183 2015 3 1 10.80 50.25 29.34
## 184 2015 4 1 13.79 56.38 21.41
## 185 2015 5 1 16.72 61.25 16.24
## 186 2015 6 1 19.35 80.62 12.81
## 187 2015 7 1 19.41 86.62 6.74
## 188 2015 8 1 19.04 87.44 7.28
## 189 2015 9 1 18.31 84.44 13.56
## 190 2015 10 1 17.15 75.81 14.72
## 191 2015 11 1 13.85 69.44 15.36
## 192 2015 12 1 9.46 52.50 22.91
## 193 2016 1 1 7.57 45.50 24.46
## 194 2016 2 1 9.52 50.56 23.57
## 195 2016 3 1 10.80 47.94 23.17
## 196 2016 4 1 13.37 53.75 19.66
## 197 2016 5 1 17.03 61.38 16.02
## 198 2016 6 1 19.41 77.31 13.92
## 199 2016 7 1 19.71 91.19 5.20
## 200 2016 8 1 19.17 90.75 5.83
## 201 2016 9 1 18.62 90.00 8.02
## 202 2016 10 1 15.56 78.81 15.45
## 203 2016 11 1 10.50 61.06 18.40
## 204 2016 12 1 9.28 53.94 20.38
## 205 2017 1 1 8.00 48.62 23.98
## 206 2017 2 1 7.45 37.75 24.93
## 207 2017 3 1 10.07 47.00 27.39
## 208 2017 4 1 12.63 53.12 23.02
## 209 2017 5 1 16.17 59.12 16.91
## 210 2017 6 1 20.08 82.31 12.02
## 211 2017 7 1 19.84 89.94 5.37
## 212 2017 8 1 19.29 89.94 6.88
## 213 2017 9 1 19.47 88.38 10.27
## 214 2017 10 1 16.85 77.19 15.91
## 215 2017 11 1 11.96 67.12 15.95
## 216 2017 12 1 11.11 66.62 16.84
## 217 2018 1 1 9.03 54.31 21.09
## 218 2018 2 1 8.48 44.69 24.09
## 219 2018 3 1 9.64 42.81 23.45
## 220 2018 4 1 12.88 51.31 20.49
## 221 2018 5 1 16.05 59.19 16.92
## 222 2018 6 1 20.02 81.81 13.05
## 223 2018 7 1 19.71 91.00 5.98
## 224 2018 8 1 18.80 89.94 5.61
## 225 2018 9 1 17.88 85.44 12.20
## 226 2018 10 1 15.20 69.38 17.13
## 227 2018 11 1 11.84 58.75 17.18
## 228 2018 12 1 7.93 46.25 21.98
## 229 2019 1 1 5.74 34.69 23.41
## 230 2019 2 1 7.45 40.44 27.10
## 231 2019 3 1 9.16 44.19 26.17
## 232 2019 4 1 13.06 52.88 24.02
## 233 2019 5 1 15.26 58.19 18.42
## 234 2019 6 1 19.04 73.56 13.71
## 235 2019 7 1 20.45 90.81 6.38
## 236 2019 8 1 19.59 90.75 6.16
## 237 2019 9 1 19.78 91.38 6.70
## 238 2019 10 1 18.13 84.44 11.93
## 239 2019 11 1 15.62 78.50 13.65
## 240 2019 12 1 14.10 76.81 17.22
## 241 2020 1 1 10.62 67.56 22.98
## 242 2020 2 1 9.28 49.88 24.97
## 243 2020 3 1 10.50 49.38 24.87
## 244 2020 4 1 13.31 51.19 22.09
## 245 2020 5 1 16.17 57.25 16.63
## 246 2020 6 1 19.78 83.00 11.76
## 247 2020 7 1 20.26 90.19 7.08
## 248 2020 8 1 20.08 92.31 5.34
## 249 2020 9 1 19.71 90.12 9.22
## 250 2020 10 1 18.43 82.69 12.62
## 251 2020 11 1 14.83 76.06 16.95
## 252 2020 12 1 12.21 69.38 17.77
## Precipitation
## 1 0.00
## 2 0.11
## 3 0.01
## 4 0.02
## 5 271.14
## 6 313.67
## 7 820.45
## 8 362.38
## 9 97.85
## 10 63.41
## 11 4.37
## 12 11.25
## 13 0.00
## 14 0.00
## 15 0.03
## 16 1.57
## 17 29.11
## 18 510.09
## 19 622.31
## 20 429.62
## 21 155.88
## 22 120.24
## 23 6.15
## 24 0.00
## 25 0.03
## 26 0.11
## 27 0.47
## 28 2.06
## 29 8.63
## 30 498.92
## 31 126.77
## 32 581.79
## 33 87.71
## 34 17.29
## 35 2.59
## 36 0.21
## 37 0.03
## 38 8.41
## 39 0.11
## 40 0.76
## 41 0.01
## 42 710.10
## 43 584.85
## 44 380.55
## 45 233.14
## 46 50.96
## 47 1.10
## 48 0.16
## 49 0.37
## 50 0.03
## 51 0.00
## 52 0.06
## 53 92.28
## 54 376.96
## 55 663.26
## 56 949.59
## 57 225.06
## 58 27.30
## 59 4.29
## 60 0.01
## 61 3.47
## 62 0.00
## 63 0.41
## 64 13.56
## 65 15.65
## 66 799.32
## 67 1095.38
## 68 432.24
## 69 776.41
## 70 75.44
## 71 0.00
## 72 0.00
## 73 0.00
## 74 0.00
## 75 9.61
## 76 0.01
## 77 187.67
## 78 441.71
## 79 1122.56
## 80 1052.65
## 81 389.08
## 82 142.46
## 83 24.05
## 84 0.35
## 85 0.03
## 86 0.35
## 87 0.00
## 88 8.47
## 89 5.13
## 90 902.25
## 91 706.04
## 92 609.34
## 93 449.85
## 94 5.60
## 95 7.12
## 96 0.00
## 97 0.00
## 98 0.03
## 99 6.91
## 100 0.21
## 101 3.31
## 102 708.11
## 103 627.03
## 104 698.05
## 105 513.22
## 106 36.19
## 107 2.71
## 108 6.76
## 109 0.00
## 110 0.00
## 111 3.20
## 112 0.54
## 113 2.06
## 114 221.99
## 115 1052.50
## 116 403.09
## 117 277.45
## 118 206.96
## 119 109.36
## 120 0.08
## 121 0.35
## 122 0.01
## 123 6.02
## 124 0.49
## 125 11.74
## 126 662.62
## 127 1068.20
## 128 872.43
## 129 248.55
## 130 195.25
## 131 65.66
## 132 0.00
## 133 0.00
## 134 0.16
## 135 0.05
## 136 6.90
## 137 2.10
## 138 350.50
## 139 1093.05
## 140 629.81
## 141 348.67
## 142 166.83
## 143 0.42
## 144 0.00
## 145 0.00
## 146 0.00
## 147 0.00
## 148 2.45
## 149 1.83
## 150 238.62
## 151 583.05
## 152 385.66
## 153 408.01
## 154 204.61
## 155 0.34
## 156 0.00
## 157 0.00
## 158 6.72
## 159 0.79
## 160 0.01
## 161 0.42
## 162 932.22
## 163 886.67
## 164 233.98
## 165 314.67
## 166 88.57
## 167 4.21
## 168 2.19
## 169 0.75
## 170 0.43
## 171 3.95
## 172 2.10
## 173 12.83
## 174 75.97
## 175 1307.43
## 176 631.78
## 177 262.40
## 178 28.70
## 179 19.39
## 180 18.77
## 181 0.85
## 182 11.77
## 183 40.27
## 184 1.82
## 185 33.98
## 186 804.68
## 187 281.76
## 188 122.29
## 189 307.96
## 190 72.07
## 191 29.46
## 192 0.00
## 193 0.38
## 194 20.79
## 195 3.13
## 196 1.68
## 197 9.39
## 198 535.52
## 199 1009.40
## 200 684.20
## 201 606.37
## 202 100.44
## 203 0.09
## 204 0.03
## 205 0.00
## 206 0.13
## 207 1.85
## 208 0.18
## 209 13.69
## 210 600.76
## 211 1012.11
## 212 665.17
## 213 472.09
## 214 135.57
## 215 0.94
## 216 47.28
## 217 2.07
## 218 6.42
## 219 1.48
## 220 1.03
## 221 5.22
## 222 540.89
## 223 969.61
## 224 423.43
## 225 99.12
## 226 21.60
## 227 6.60
## 228 0.19
## 229 0.28
## 230 0.27
## 231 0.66
## 232 3.68
## 233 0.43
## 234 454.13
## 235 1083.30
## 236 666.94
## 237 928.89
## 238 192.61
## 239 53.27
## 240 2.85
## 241 0.17
## 242 0.19
## 243 4.09
## 244 5.46
## 245 8.29
## 246 462.71
## 247 781.13
## 248 1203.09
## 249 361.30
## 250 180.18
## 251 0.49
## 252 12.23Package Installation
library(tidyverse) ## Warning: package 'ggplot2' was built under R version 4.3.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ 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 errorslibrary(dplyr)
library(reshape2)##
## Attaching package: 'reshape2'
##
## The following object is masked from 'package:tidyr':
##
## smithslibrary(ggforce)## Warning: package 'ggforce' was built under R version 4.3.3Praktikum 8
Visualisasi Korelasi
ggplot(data1, aes(x = Relative.Humidity, y = Temperature, color = Year)) +
geom_point() +
labs(title = "Scatter Plot", x = "Kelembapan Relatif", y = "Suhu") +
theme_classic()
Data yang digunakan adalah data kelembapan relatif dan suhu di India dari tahun 2000 sampai 2020. Ingin dilihat apakah ada hubungnantara kedua peubah tersebut. Terlihat dari scatter plot tersebut bahwa hubungan antara kelembapan relatif dengan suhu bernilai negatif.Hal ini menunjukkan bahwa saat suhu meningkat, kelembapan relatif cenderung menurun. Sebaliknya, saat suhu menurun, kelembapan relatif cenderung meningkat.
Visualisasi Corellogram
datasuhu <- data.frame(data1$Year,data1$Specific.Humidity,data1$Relative.Humidity,data1$Temperature,data1$Precipitation)
data_melt <- cor(datasuhu)
data_melt <- melt(data_melt)
ggplot(data_melt, aes(Var1, Var2, fill = value)) +
geom_tile(color = "brown") +
scale_fill_gradient2(low = "pink", mid = "white", high = "coral", midpoint = 0, limits = c(-1,1), name="Korelasi") +
labs(title = "Corellogram") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust=1))
Matriks korelasi tersebut dibuat untuk melihat korelasi antara beberapa peubah yaitu, tahun, kelembapan spesifik, kelembapan relatif, suhu dan pengendapan. Berdasarkan matriks korelasi tersebut dapat dilihat bahwa kelembapan relatif dengan kelembapan spesifik memiliki korelasi yang cukup kuat, dilanjutkan dengan korelasi antara pengendapan dan kelembapan spesifik serta pengendapan dan kelembapan relatif. Sedangkan terlihat bahwa tidak aa hubungan antara tahun dan suhu ditempat. Serta, terlihat bahwa hubungan antara suhu dengan kelembapan spesifik serta suhu dengan kelembapan relatif memiliki korelasi negatif yang cukup kuat. Hubungan antara pengendapan dengan suhu juga terdeteksi bernilai negatif yang cukup kuat.
Praktikum 9
Visualisasi Time Series
data.ts <- ts(data1$Temperature)
plot(data.ts, xlab ="Waktu", ylab = "Data Suhu", col="violet", main = "Plot Data Suhu di India")
Berdasarkan plot timeseries diatas untuk peubah suhu, tentunya tiap tahun akan berubah-ubah. Terlihat bahwa ada tiga puncak yang terdeteksi memiliki suhu tertinggi yaitu pada interval 90-100, 140-150 serta 170-180. Tentunya suhu di suatu tempat akan berubah-ubah dipengaruhi dengan banyak faktor, hal ini sejalan dengan plot timeseries yang ditunjukan diatas. Jika dihubungkan dengan korelasi diatas, terlihat bahwa kelembapan spesifik dan kelembapan relatif akan sangat berpengaruh terhadap suhu di India.
Praktikum 10
Read Data
library(readxl)
data2 <- read_xlsx("C:\\Users\\USER\\OneDrive - apps.ipb.ac.id\\Semester 4\\Visualisasi Data\\Praktikum\\Proporsi Rumah Tangga Yang Memiliki Fasilitas Cuci Tangan Dengan Sabun Dan Air Menurut Provinsi, 2022-2023.xlsx")
data2## # A tibble: 34 × 3
## Provinsi `2023` `Kode BPS`
## <chr> <dbl> <chr>
## 1 ACEH 72.6 ID11
## 2 SUMATERA UTARA 73.9 ID12
## 3 SUMATERA BARAT 88.8 ID13
## 4 RIAU 72.3 ID14
## 5 JAMBI 73.4 ID15
## 6 SUMATERA SELATAN 75.2 ID16
## 7 BENGKULU 81.4 ID17
## 8 LAMPUNG 79.4 ID18
## 9 KEP. BANGKA BELITUNG 88.2 ID19
## 10 KEP. RIAU 86.0 ID21
## # ℹ 24 more rowslibrary(ggplot2)
library(sf)## 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 TRUElibrary(dplyr)admin1 <- st_read("C:\\Users\\USER\\OneDrive - apps.ipb.ac.id\\Semester 4\\Visualisasi Data\\Praktikum\\idn_adm_bps_20200401_shp\\idn_admbnda_adm1_bps_20200401.shp")## Reading layer `idn_admbnda_adm1_bps_20200401' from data source
## `C:\Users\USER\OneDrive - apps.ipb.ac.id\Semester 4\Visualisasi Data\Praktikum\idn_adm_bps_20200401_shp\idn_admbnda_adm1_bps_20200401.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 34 features and 12 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 95.01079 ymin: -11.00762 xmax: 141.0194 ymax: 6.07693
## Geodetic CRS: WGS 84glimpse(admin1)## Rows: 34
## Columns: 13
## $ Shape_Leng <dbl> 27.367364, 6.026648, 9.279900, 11.653771, 3.341561, 3.12368…
## $ Shape_Area <dbl> 4.62543728, 0.45871703, 0.76491115, 1.63012892, 0.26012975,…
## $ ADM1_EN <chr> "Aceh", "Bali", "Banten", "Bengkulu", "Daerah Istimewa Yogy…
## $ ADM1_PCODE <chr> "ID11", "ID51", "ID36", "ID17", "ID34", "ID31", "ID75", "ID…
## $ ADM1_REF <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
## $ ADM1ALT1EN <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
## $ ADM1ALT2EN <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
## $ ADM0_EN <chr> "Indonesia", "Indonesia", "Indonesia", "Indonesia", "Indone…
## $ ADM0_PCODE <chr> "ID", "ID", "ID", "ID", "ID", "ID", "ID", "ID", "ID", "ID",…
## $ date <date> 2019-12-20, 2019-12-20, 2019-12-20, 2019-12-20, 2019-12-20…
## $ validOn <date> 2020-04-01, 2020-04-01, 2020-04-01, 2020-04-01, 2020-04-01…
## $ validTo <date> -001-11-30, -001-11-30, -001-11-30, -001-11-30, -001-11-30…
## $ geometry <MULTIPOLYGON [°]> MULTIPOLYGON (((97.39178 2...., MULTIPOLYGON (…mapjoin <- admin1 %>%
inner_join(data2, by = c("ADM1_PCODE" = "Kode BPS"))
mapjoin## Simple feature collection with 34 features and 14 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 95.01079 ymin: -11.00762 xmax: 141.0194 ymax: 6.07693
## Geodetic CRS: WGS 84
## First 10 features:
## Shape_Leng Shape_Area ADM1_EN ADM1_PCODE ADM1_REF
## 1 27.367364 4.62543728 Aceh ID11 <NA>
## 2 6.026648 0.45871703 Bali ID51 <NA>
## 3 9.279900 0.76491115 Banten ID36 <NA>
## 4 11.653771 1.63012892 Bengkulu ID17 <NA>
## 5 3.341561 0.26012975 Daerah Istimewa Yogyakarta ID34 <NA>
## 6 3.123689 0.05342567 Dki Jakarta ID31 <NA>
## 7 11.013243 0.97760000 Gorontalo ID75 <NA>
## 8 11.835073 3.97771123 Jambi ID15 <NA>
## 9 11.605868 3.03278494 Jawa Barat ID32 <NA>
## 10 15.452527 2.81983778 Jawa Tengah ID33 <NA>
## ADM1ALT1EN ADM1ALT2EN ADM0_EN ADM0_PCODE date validOn validTo
## 1 <NA> <NA> Indonesia ID 2019-12-20 2020-04-01 -001-11-30
## 2 <NA> <NA> Indonesia ID 2019-12-20 2020-04-01 -001-11-30
## 3 <NA> <NA> Indonesia ID 2019-12-20 2020-04-01 -001-11-30
## 4 <NA> <NA> Indonesia ID 2019-12-20 2020-04-01 -001-11-30
## 5 <NA> <NA> Indonesia ID 2019-12-20 2020-04-01 -001-11-30
## 6 <NA> <NA> Indonesia ID 2019-12-20 2020-04-01 -001-11-30
## 7 <NA> <NA> Indonesia ID 2019-12-20 2020-04-01 -001-11-30
## 8 <NA> <NA> Indonesia ID 2019-12-20 2020-04-01 -001-11-30
## 9 <NA> <NA> Indonesia ID 2019-12-20 2020-04-01 -001-11-30
## 10 <NA> <NA> Indonesia ID 2019-12-20 2020-04-01 -001-11-30
## Provinsi 2023 geometry
## 1 ACEH 72.59 MULTIPOLYGON (((97.39178 2....
## 2 BALI 90.54 MULTIPOLYGON (((115.1251 -8...
## 3 BANTEN 82.79 MULTIPOLYGON (((105.5498 -6...
## 4 BENGKULU 81.41 MULTIPOLYGON (((102.3862 -5...
## 5 DI YOGYAKARTA 84.29 MULTIPOLYGON (((110.8198 -8...
## 6 DKI JAKARTA 76.83 MULTIPOLYGON (((106.8768 -6...
## 7 SULAWESI BARAT 77.18 MULTIPOLYGON (((121.4254 0....
## 8 JAMBI 73.41 MULTIPOLYGON (((104.4071 -0...
## 9 JAWA BARAT 82.03 MULTIPOLYGON (((108.685 -6....
## 10 JAWA TENGAH 86.15 MULTIPOLYGON (((108.8835 -7...Visualisasi Geospasial
rumahtangga <- ggplot() +
geom_sf(data=mapjoin, aes(fill=`2023`))
rumahtangga
colorPalette <- RColorBrewer::brewer.pal(6, "BrBG")
rumahtangga + scale_fill_gradientn(colors = colorPalette, name = "Proporsi Rumah Tangga") +
labs(title = "Proporsi Rumah Tangga yang Memiliki Fasilitas Cuci Tangan") +
theme(legend.text = element_text(size=5),
legend.title = element_text(size=5),
axis.text.x = element_text(size=5),
axis.text.y = element_text(size=5),
title = element_text(size=10, face='bold'))
Berdasarkan visualisasi geospasial diatas dapat diidentifikasi bahwa rumah tangga yang memiliki fasilitas cuci tangan dengan sabun dan air paling banyak didaerah tosca yang pekat yaitu didaerah Sumatera Barat. Dan dapat diidentifikasi pula untuk provinsi dengan proporsi rumah tangga yang memiliki fasilitas cuci tangan dengan sabun dan air paling sedikit ditandai dengan warna cokelat yang pekat yaitu pada daerah Papua Barat.