Tugas Praktikum Visualisasi Data
2024-05-14
Inisialisasi library
library(tidyverse) ## Warning: package 'tidyverse' was built under R version 4.3.3## Warning: package 'ggplot2' was built under R version 4.3.3## Warning: package 'tibble' was built under R version 4.3.3## Warning: package 'tidyr' was built under R version 4.3.3## Warning: package 'readr' was built under R version 4.3.3## Warning: package 'purrr' was built under R version 4.3.3## Warning: package 'dplyr' was built under R version 4.3.3## Warning: package 'stringr' was built under R version 4.3.3## Warning: package 'forcats' was built under R version 4.3.3## Warning: package 'lubridate' was built under R version 4.3.3## -- Attaching core tidyverse packages ------------------------ tidyverse 2.0.0 --
## v dplyr 1.1.4 v readr 2.1.5
## v forcats 1.0.0 v stringr 1.5.1
## v ggplot2 3.5.1 v tibble 3.2.1
## v lubridate 1.9.3 v tidyr 1.3.1
## v purrr 1.0.2
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x 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)## Warning: package 'reshape2' was built under R version 4.3.3##
## Attaching package: 'reshape2'
##
## The following object is masked from 'package:tidyr':
##
## smithslibrary(ggforce)## Warning: package 'ggforce' was built under R version 4.3.3library(readxl)## Warning: package 'readxl' was built under R version 4.3.3library(ggcorrplot)## Warning: package 'ggcorrplot' was built under R version 4.3.3Visualisasi Korelasi
Data
datavisdat <- read_excel("C:/Users/roihan/Downloads/DataVisdat.xlsx", sheet='Regresi')
str(datavisdat)## tibble [27 x 2] (S3: tbl_df/tbl/data.frame)
## $ Luas_Tanam : num [1:27] 81843 156947 156882 98215 135295 ...
## $ Produksi_Padi: num [1:27] 281153 515136 639006 303919 452260 ...ggplot(datavisdat, aes(x = Luas_Tanam, y = Produksi_Padi, color='Produksi Padi')) +
geom_point() +
labs(title = "Scatter Plot", x = "Luas tanam (Ha)", y = "Produksi Padi (Ton)") +
theme_classic()
Grafik di atas merupakan grafik hubungan antara dua peubah numerik (Luas
Tanam Padi dan Produksi Pado). Berdasarkan Scatter Plot tersebut, dapat
terlihat bahwa Luas Tanam dan Produksi padi memiliki korelasi yang
positif, yaitu semakin meningkatnya luas tanam, maka produksi padi pun
akan semakin meningkat
Visualisasi Time Series
Data
datavisdat <- read_excel("C:/Users/roihan/Downloads/DataVisdat.xlsx", sheet='Time Series')
str(datavisdat)## tibble [144 x 2] (S3: tbl_df/tbl/data.frame)
## $ Timestamp: POSIXct[1:144], format: "2023-12-15 00:00:00" "2023-12-15 00:10:00" ...
## $ Humidity : num [1:144] 88 86 85 77 77 73 70 70 67 69 ...ggplot(datavisdat, aes(x = Timestamp, y = Humidity)) +
geom_point() +
geom_line() +
labs(title = "Scatter Plot Humidity in 15 December 2023",
x = "Time",
y = "Humidity")
Grafik di atas merupakan grafik deret waktu dari tingkat kelembaban di
kota Bogor pada 15 Desember 2023. Berdasarkan grafik tersebut, dapat
terlihat bahwa tingkat kelembaban di Kota Bogor cukup fluktuatif. Dari
pukul 00:00 sampai 06:00 tingkat kelembaban udara mengalami penurunan,
sedangkan dari pukul 06:00 sampai 16:00 tingkat kelembaban udara
cenderung meningkat dengan titik maksimum berada di sekitar pukul
18:00.
Visualisasi Correlogram
Data
datavisdat <- read_excel("C:/Users/roihan/Downloads/TA Anreg 8.xlsx", sheet='Dt8Visdat')
str(datavisdat)## tibble [27 x 8] (S3: tbl_df/tbl/data.frame)
## $ Produksi : num [1:27] 281153 515136 639006 303919 452260 ...
## $ Luas : num [1:27] 81843 156947 156882 98215 135295 ...
## $ Petani : num [1:27] 5.94 11.3 9.46 5.13 10.25 ...
## $ Urea : num [1:27] 0.27 0.32 0.28 0.42 0.72 0.55 0.19 0.31 0.28 0.32 ...
## $ NPK : num [1:27] 0.18 0.3 0.21 0.23 0.6 0.36 0.23 0.14 0.23 0.17 ...
## $ Wirausaha: num [1:27] 115460 267910 220650 72629 219425 ...
## $ Teknologi: num [1:27] 3 111 90 46 3 36 38 44 17 41 ...
## $ Harga B : num [1:27] 11369 12012 13547 12100 11000 ...data_numerik <- select_if(datavisdat, is.numeric)
str(data_numerik)## tibble [27 x 8] (S3: tbl_df/tbl/data.frame)
## $ Produksi : num [1:27] 281153 515136 639006 303919 452260 ...
## $ Luas : num [1:27] 81843 156947 156882 98215 135295 ...
## $ Petani : num [1:27] 5.94 11.3 9.46 5.13 10.25 ...
## $ Urea : num [1:27] 0.27 0.32 0.28 0.42 0.72 0.55 0.19 0.31 0.28 0.32 ...
## $ NPK : num [1:27] 0.18 0.3 0.21 0.23 0.6 0.36 0.23 0.14 0.23 0.17 ...
## $ Wirausaha: num [1:27] 115460 267910 220650 72629 219425 ...
## $ Teknologi: num [1:27] 3 111 90 46 3 36 38 44 17 41 ...
## $ Harga B : num [1:27] 11369 12012 13547 12100 11000 ...data_melt <- cor(data_numerik[sapply(data_numerik,is.numeric)])
data_melt <- melt(data_melt)
ggplot(data_melt, aes(Var1, Var2, fill = value)) +
geom_tile(color = "white") +
scale_fill_gradient2(low = "darkblue", mid = "white", high = "maroon", 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))
Grafik di Atas merupakan grafik korelasi dari Produksi Beras dan Peubah
penjelas lainnya, seperti Luas Tanam, Jumlah Petani, dll. Berdasarkan
grafik tersebut, dapat terlihat bahwa korelasi positif terkuat yaitu
pada korelasi peubah Produksi dengan Luas Tanam dengan koefisien
korelasi mendekati 1, sedangkan korelasi negatif terlemah yaitu pada
korelasi peubah Luas dan Harga Beras yang mempunyai korelasi mendekati
-1
Visualisasi Geospasial
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(tidygeocoder)## Warning: package 'tidygeocoder' was built under R version 4.3.3datavisdat <- read_excel("C:/Users/roihan/Downloads/DataVisdat.xlsx", sheet='Geospasial')
datavisdat## # A tibble: 38 x 2
## PROVINSI Produktivitas
## <chr> <dbl>
## 1 ACEH 55.2
## 2 SUMATERA UTARA 51.4
## 3 SUMATERA BARAT 49.3
## 4 RIAU 39.7
## 5 JAMBI 45.1
## 6 SUMATERA SELATAN 56.2
## 7 BENGKULU 49.5
## 8 LAMPUNG 52.0
## 9 KEP. BANGKA BELITUNG 43.5
## 10 KEP. RIAU 28.1
## # i 28 more rowsmy_sf <- read_sf("C:/Users/roihan/Downloads/BATAS PROVINSI DESEMBER 2019 DUKCAPIL/BATAS_PROVINSI_DESEMBER_2019_DUKCAPIL.shp")
my_sf## Simple feature collection with 34 features and 4 fields
## Geometry type: MULTIPOLYGON
## Dimension: XYZ
## Bounding box: xmin: 95.01079 ymin: -11.00762 xmax: 141.0194 ymax: 6.07693
## z_range: zmin: 2.65e-05 zmax: 2.65e-05
## Geodetic CRS: WGS 84
## # A tibble: 34 x 5
## OBJECTID PROVINSI Shape_Leng Shape_Area geometry
## <dbl> <chr> <dbl> <dbl> <MULTIPOLYGON [°]>
## 1 1 ACEH 27.5 4.63 Z (((97.39178 2.037481 2~
## 2 2 BALI 6.03 0.459 Z (((115.1251 -8.847606 ~
## 3 3 BANTEN 9.28 0.765 Z (((105.5498 -6.995661 ~
## 4 4 BENGKULU 11.7 1.63 Z (((102.3862 -5.471439 ~
## 5 5 DAERAH ISTIMEWA YOG~ 3.34 0.260 Z (((110.8198 -8.203577 ~
## 6 6 DKI JAKARTA 3.12 0.0534 Z (((106.8768 -6.1003 2.~
## 7 7 GORONTALO 11.0 0.978 Z (((121.4254 0.4124347 ~
## 8 8 JAMBI 11.8 3.98 Z (((104.4071 -0.863707 ~
## 9 9 JAWA BARAT 11.6 3.03 Z (((108.685 -6.769898 2~
## 10 10 JAWA TENGAH 15.5 2.82 Z (((108.8835 -7.748463 ~
## # i 24 more rowslibrary(ggthemes)## Warning: package 'ggthemes' was built under R version 4.3.3library(ggrepel)## Warning: package 'ggrepel' was built under R version 4.3.3library(ggmap)## Warning: package 'ggmap' was built under R version 4.3.3## i Google's Terms of Service: <https://mapsplatform.google.com>
## Stadia Maps' Terms of Service: <https://stadiamaps.com/terms-of-service/>
## OpenStreetMap's Tile Usage Policy: <https://operations.osmfoundation.org/policies/tiles/>
## i Please cite ggmap if you use it! Use `citation("ggmap")` for details.
##
## Attaching package: 'ggmap'
##
##
## The following object is masked from 'package:tidygeocoder':
##
## geocodedatavisdat$PROVINSI <- toupper(datavisdat$PROVINSI)
Persen.Geo <- merge(x=my_sf, y=datavisdat, by="PROVINSI",all.x = TRUE, all.y=TRUE)
ggplot(Persen.Geo) +
geom_sf(aes(fill= Produktivitas)
, color = "#69b3a2") +
scale_fill_gradient(low="green", high="red") +
theme_void()
Grafik di atas menunjukkan produktivitas padi yang ada di setiap
provinsi Indonesia. Dapat terlihat bahwa warna merah menunjukkan daerah
yang memiliki produktivitas padi tinggi, sedangkan hijau menunjukkan
daerag yang memiliki produktivitas padi rendah. Oleh karena itu,
Produktivitas padi tertinggi berada di Jawa Barat dan sebagian dari
Sumatera, sedangkan produktivitas padi terendah berada di sekitaran
pulau Kalimantan