Youtube Trending Analysis using Shiny Dashboard

Shiny Dashboard

Shiny merupakan packages dari RStudio, yang menyediakan framework aplikasi web untuk membuat aplikasi web interaktif (visualisasi) yang disebut “Shiny apps”. Kemudahan bekerja dengan Shiny telah mempopulerkannya di antara pengguna R. Aplikasi web ini menampilkan objek R dengan cantik (seperti plot, tabel, dll.) dan juga dapat di-deploy untuk memungkinkan diakses oleh siapa saja.

Shiny menyediakan widget yang memungkinkan untuk membangun aplikasi yang elegan dengan sedikit usaha.

Struktur aplikasi shiny dasar:

Template Shiny Dashboard

Langkah mempersiapkan projek shiny dashboard dengan template Shiny Web App:

1. Pilih Menu File > New File > Shiny Web App

2. Isi Application Name sesuai dengan nama projek yang diinginkan

3. Pilih Application Type nya adalah Multipe File (ui.R/server.R)

4. Pilih directory folder projek di bagian Browse (create within directory)

5. Membuat Rproject baru dalam directory nomor 4 dengan cara:

   • Menuju kebagian File -> New Project
   • Pilih Existing Directory
   • Silahkan mengisi bagian nama folder yang ingin dibuat beserta tempat penyimpanannya

6. Copy data input ke dalam folder nomor 4

7. Membuat global.R dengan cara Menu File -> R Script -> Save (ctrl + s) dengan File Name = global.R

Membuat Youtube Trending Analysis Dashboard Menggunakan Shiny dan Shinydashboard

1. User Interface (UI) Dasar

1.1 Membuat Layout Dasar pada UI (User Interface)

Dalam Shiny Dashboard, layout dasar dibangun dengan menggunakan 3 komponen utama, yaitu:

1. Header: Bagian ini biasanya digunakan untuk menampilkan judul aplikasi atau ikon navigasi seperti menu atau notifikasi.
2. Sidebar: Sidebar digunakan untuk menempatkan elemen-elemen navigasi, seperti menu yang memungkinkan pengguna berpindah antar halaman atau memilih berbagai opsi filter.
3. Body: Bagian utama dari aplikasi, di mana konten inti seperti grafik, tabel, dan visualisasi lain akan ditampilkan.

Berikut adalah kode dasar yang digunakan untuk membuat layout dengan tiga komponen tersebut:

dashboardPage(
  
  # ------ Bagian Header ------
  dashboardHeader(),
  
  # ----- Bagian Sidebar ------
  dashboardSidebar(),

  # ----- Bagian Main / Body ------
  dashboardBody()
  
)

1.2 Memberikan Judul pada Dashboard

Pada langkah ini, kita akan menambahkan judul pada dashboard menggunakan fungsi dashboardHeader().

Judul ini akan muncul di bagian atas dashboard, yang membantu pengguna mengetahui fokus atau tujuan dari aplikasi yang sedang mereka gunakan.

Berikut adalah contohnya:

dashboardPage(
  
  # ------ Bagian Header ------
  dashboardHeader(
    title = "Youtube Analysis"  # Menambahkan judul pada header
  ),
  
  # ----- Bagian Sidebar ------
  dashboardSidebar(),

  # ----- Bagian Main / Body ------
  dashboardBody()
  
)

1.3 Membuat Menu Navigasi pada Bagian Sidebar

Pada bagian ini, kita akan menambahkan menu navigasi di sidebar. Menu ini akan memungkinkan pengguna untuk berpindah antar halaman atau bagian dari dashboard.

Setiap item menu akan memiliki ikon dan tabName yang berfungsi untuk menghubungkan menu dengan konten yang ada di bagian body.

Berikut adalah contohnya:

dashboardPage(
  
  # ------ Bagian Header ------
  dashboardHeader(
    title = "Youtube Analysis"
  ),
  
  # ----- Bagian Sidebar ------
  dashboardSidebar(
    sidebarMenu(
      
      # ----- Page 1: Overview ------
      menuItem("Overview", tabName = "page1", icon = icon("video")),
      
      # ----- Page 2: Channel Analysis ------
      menuItem("Channel Analysis", tabName = "page2", icon = icon("youtube")),
      
      # ----- Page 3: Dataset ------
      menuItem("Dataset", tabName = "page3", icon = icon("server"))
      
    )
  ),

  # ----- Bagian Main / Body ------
  dashboardBody(
    tabItems(
      
      # ----- Page 1 ------
      tabItem(
        tabName = "page1",
        h2("Halaman Overview")
      ),
      
      # ----- Page 2 ------
      tabItem(
        tabName = "page2",
        h2("Analisis Channel")
      ),
      
      # ----- Page 3 ------
      tabItem(
        tabName = "page3",
        h2("Dataset")
      )
      
    )
  )
)

2. Set-up File Global

File global merupakan tempat untuk mengatur semua pengaturan yang akan digunakan secara global di seluruh aplikasi Shiny. File ini biasanya berisi import library, membaca data, dan proses pembersihan (data cleansing) sebelum data digunakan dalam aplikasi. Dengan begitu, kode yang mengelola data tidak perlu diulang di setiap bagian aplikasi.

Pada bagian ini, kita akan melakukan beberapa langkah penting, termasuk mengimpor pustaka (library), membaca data, dan melakukan data cleansing.

library(shiny)
library(shinydashboard)

# import library
library(dplyr)
library(ggplot2)
library(scales)
library(glue)
library(plotly)
library(lubridate)
options(scipen = 100)

# read data
vids <- read.csv("data_input/youtubetrends_2023.csv", stringsAsFactors = TRUE, encoding = "latin1")

# cleansing data
vids_clean <- vids %>% 
  
  # deselect kolom yang tidak dibutuhkan
  select(-c(comments_disabled, ratings_disabled, video_error_or_removed)) %>% 
  
  # manipulasi kolom
  mutate(
    
    # mengubah tipe data
    trending_date = ymd(trending_date),
    publish_time = ymd_hms(publish_time),
    title = as.character(title),
    channel_title = as.character(channel_title),
    
    # menambah kolom baru
    likesp = likes/views,
    dislikep = dislikes/views,
    commentp = comment_count/views
    
  )

3. Menyusun Halaman 1

3.1 Menyusun Layout UI Menggunakan fluidRow

Pada bagian ini, kita akan menyusun layout untuk halaman pertama. Layout tersebut akan terdiri dari dua baris dengan pengaturan sebagai berikut:

• Baris Pertama: Menampilkan dua kotak informasi menggunakan fungsi infoBox(). Kotak ini berisi informasi penting seperti jumlah total video dan jumlah channel yang trending.
• Baris Kedua: Menampilkan satu kotak yang menggunakan fungsi box(). Kotak ini dapat berisi visualisasi atau konten lain sesuai kebutuhan.

Pengaturan lebar kotak diatur menggunakan parameter width, dengan nilai berkisar antara 1 hingga 12, yang merepresentasikan lebar dari satu baris penuh. Nilai ini memungkinkan kita mengatur ukuran setiap kotak secara fleksibel.

Berikut adalah contoh implementasinya:

# ----- Page 1
tabItem(
  tabName = "page1",
  
  # ----- Page 1 Row 1 -----
  fluidRow(
    
    # Kotak pertama menampilkan total video
    infoBox(
      width = 6,  # Lebar kotak 6 dari total 12 kolom
      title = "Total Video Count"
    ),
    
    # Kotak kedua menampilkan total channel yang trending
    infoBox(
      width = 6,  # Lebar kotak 6 dari total 12 kolom
      title = "Total Trending Channel"
    )
  ),
  
  # ----- Page 1 Row 2 -----
  fluidRow(
    
    # Kotak untuk konten tambahan (misalnya grafik atau tabel)
    box(
      width = 12  # Lebar kotak memenuhi seluruh baris
    )
  )
)

3.2 Mengisi Elemen pada infoBox

Pada tahap ini, kita akan menambahkan nilai (value), ikon, dan warna pada elemen infoBox untuk memperkaya tampilan dan memberikan informasi yang lebih jelas kepada pengguna. Setiap infoBox akan berisi:

• Value: Nilai yang dihitung berdasarkan data, misalnya jumlah total video atau jumlah channel yang trending.
• Icon: Ikon yang merepresentasikan informasi yang ditampilkan.
• Color: Warna untuk mempertegas dan memberikan aksen visual pada kotak informasi.

Berikut adalah implementasinya:

# ----- Page 1 Row 1 -----
fluidRow(
  
  # InfoBox untuk menampilkan jumlah total video
  infoBox(
    width = 6,  # Lebar 6 kolom
    title = "Total Video Count",  # Judul kotak
    value = comma(nrow(vids_clean)),  # Menampilkan jumlah total video, diformat dengan comma
    icon = icon("youtube"),  # Menampilkan ikon YouTube
    color = "red"  # Warna kotak merah
  ),
  
  # InfoBox untuk menampilkan jumlah channel yang trending
  infoBox(
    width = 6,  # Lebar 6 kolom
    title = "Total Trending Channel",  # Judul kotak
    value = comma(length(unique(vids_clean$channel_title))),  # Menampilkan jumlah channel yang unik
    icon = icon("headset"),  # Menampilkan ikon headset
    color = "black"  # Warna kotak hitam
  )
)

3.3 Mengisi Elemen pada box untuk plotlyOutput

Pada bagian ini, kita akan menambahkan elemen visualisasi interaktif menggunakan plotlyOutput ke dalam box. Visualisasi ini nantinya akan menampilkan grafik yang dapat berinteraksi dengan pengguna. Fungsi plotlyOutput digunakan untuk merender grafik yang dihasilkan dari Plotly, yang merupakan library visualisasi data interaktif.

Berikut adalah implementasinya:

# ----- Page 1 Row 2 -----
fluidRow(
          
    box(
      width = 12,  # Lebar box penuh (12 kolom)
      
      # Menampilkan output plotly dengan ID "plot1_bar"
      plotlyOutput(outputId = "plot1_bar")
    )
)

Penjelasan:

• plotlyOutput(“plot1_bar”): Digunakan untuk menampilkan grafik interaktif yang dibuat menggunakan Plotly. ID "plot1_bar" digunakan untuk merujuk ke plot yang akan dirender pada bagian server aplikasi.

3.4 Menampilkan Plot di UI dengan Mengatur pada File server.R

Setelah kita menyiapkan box untuk menampung plot di ui.R dan mengatur outputId menjadi "plot1_bar", kita perlu melengkapi bagian server.R untuk menghasilkan plot yang diinginkan.

Dalam bagian ini, kita akan melakukan penugasan pada ID yang telah kita buat di UI menggunakan sintaks output$nama_id <-. Mengingat bahwa kita telah menggunakan plotlyOutput di UI, kita perlu menggunakan fungsi renderPlotly({}) di server.

Berikut adalah langkah-langkah yang perlu diikuti:

1. Data Wrangling: Kita akan mengelompokkan data berdasarkan category_id dan menghitung jumlah video untuk setiap kategori.
2. Visualisasi: Menggunakan ggplot2 untuk membuat plot batang, dan mengonversinya menjadi objek interaktif menggunakan ggplotly() dari Plotly.

Berikut adalah implementasinya:

shinyServer(function(input, output) {
  
  # ---- Kode untuk Barplot (plot1) ---- 
  output$plot1_bar <- renderPlotly({
    
    # Data Wrangling
    vids_count <- vids_clean %>% 
      group_by(category_id) %>% 
      summarise(count = n()) %>% 
      ungroup() %>% 
      arrange(-count)
    
    vids_count <- vids_count %>% 
      mutate(
        label = glue(
          "Category: {category_id}
      Video count: {count}"
        )
      )
    
    # Visualization
    plot1 <- ggplot(data = vids_count, aes(x = count, 
                                           y = reorder(category_id, count),
                                           text = label)) + # reorder(A, berdasarkan B)
      geom_col(aes(fill = count)) +
      scale_fill_gradient(low="red", high="black") +
      labs(title = "Trending Categories of YouTube US 2023",
           x = "Video Count",
           y = NULL) +
      scale_x_continuous(labels = comma) +
      theme_minimal() +
      theme(legend.position = "none")
    
    ggplotly(plot1, tooltip = "text")
    
  })
})

4. Menyusun Halaman 2

4.1 Menyusun Layout UI Menggunakan fluidRow

Pada halaman kedua, kita akan memulai dengan menyusun layout menggunakan fluidRow dan menambahkan box sesuai kebutuhan. Hal ini mirip dengan pengaturan yang telah kita lakukan di halaman pertama.

Kita akan membuat dua baris di halaman ini:

1. Baris Pertama: Satu box yang memenuhi lebar penuh (12).
2. Baris Kedua: Dua box yang masing-masing mengambil setengah lebar (6).

Berikut adalah implementasi kode untuk menyusun layout di halaman kedua:

# ----- Page 2
tabItem(
  tabName = "page2",
        
  # ------- Page 2 Row 1
  fluidRow(
    box(
      width = 12
    )
  ),
        
  # ------- Page 2 Row 2
  fluidRow(
    box(
      width = 6
    ),
    box(
      width = 6
    )
  )
),

4.2 Membuat Input Menggunakan selectInput

Pada bagian ini, kita akan mengisi box di halaman kedua, baris pertama, dengan sebuah input. Input ini akan membantu pengguna untuk memilih kategori video yang diinginkan dari dataset yang tersedia. Ada berbagai macam pilihan input yang dapat dipilih sesuai dengan data atau kebutuhan spesifik aplikasi kita.

Untuk kasus ini, kita akan menyediakan sebuah input yang memungkinkan pengguna untuk memilih kategori video, sehingga tipe input yang cocok adalah selectInput. Dengan selectInput, pengguna dapat memilih satu kategori dari daftar pilihan yang telah disediakan.

• selectInput(...):
  • inputId = "input_category": ID unik untuk input yang akan digunakan dalam logika server.
  • label = "Pilih Kategori Video": Label yang akan ditampilkan di samping input.
  • choices = unique(vids_clean$category_id): Daftar pilihan diisi dengan kategori video yang tersedia dari dataset vids_clean.
  • selected = "Gaming": Menetapkan nilai default yang akan ditampilkan saat pertama kali pengguna membuka dashboard.

Berikut adalah implementasi kode untuk menambahkan selectInput ke dalam layout:

# ------- Page 2 Row 1
fluidRow(
  box(
    width = 12,
    selectInput(
      inputId = "input_category",
      label = "Choose video category", # Label untuk input
      choices = unique(vids_clean$category_id), # Daftar pilihan diambil dari kategori yang ada
      selected = "Gaming" # Pilihan default
    )
  )
),

4.3 Mengisi Elemen Box untuk plotlyOutput pada Baris Kedua

Pada bagian ini, kita akan menambahkan elemen untuk menampilkan plot di halaman kedua, baris kedua. Sama seperti yang telah kita lakukan sebelumnya, kita akan menyediakan ID untuk plotlyOutput, yang selanjutnya perlu disesuaikan pada bagian server agar plot dapat ditampilkan dengan benar.

Kita akan membuat dua box di baris ini, satu untuk plot lollipop dan satu lagi untuk plot line Berikut adalah implementasi kodenya:

# ------- Page 2 Row 2
fluidRow(
  box(
    width = 6,
    plotlyOutput(outputId = "plot2_lolipop") # ID untuk plot lollipop
    ),
  box(
    width = 6,
    plotlyOutput(outputId = "plot3_line") # ID untuk line plot
  )
)

4.4 Menampilkan Plot di UI dengan Mengatur pada File server.R

Sama seperti sebelumnya kita akan melakukan assignment pada masing-masing id yang telah kita buat pada bagian ui.R

# ---- Kode untuk Lolipop plot (plot2) ---- 
  output$plot2_lolipop <- renderPlotly({
    
    # Data wrangling
    vids_10 <- vids_clean %>%
      filter(category_id=="Gaming") %>%
      group_by(channel_title) %>% 
      summarise(mean_viewers = mean(views)) %>% 
      ungroup() %>% 
      arrange(-mean_viewers) %>%
      head(10)
    
    vids_10 <- vids_10 %>% 
      mutate(label = glue(
        "Channel : {channel_title}
       Average Views: {comma(mean_viewers)}"
      )
      )
    
    # Visualization
    plot2 <- ggplot(vids_10, aes(x = reorder(channel_title, mean_viewers), 
                                 y = mean_viewers,
                                 text = label)) +
      
      geom_segment(aes(xend=reorder(channel_title, mean_viewers), y=0,yend=mean_viewers), color="red") +
      geom_point(color="black", size=3) +
      coord_flip() +
      scale_y_continuous(labels = comma) +
      labs(title = "Top 10 Channel on Gaming",
           x = NULL,
           y = "Average View") +
      theme_minimal()
    
    ggplotly(plot2, tooltip = "text")
    
  })

# ---- Kode untuk Lineplot (plot3) ---- 
output$plot3_line <- renderPlotly({
    
  # Data wrangling
  vids_trend <- vids_clean %>% 
    filter(category_id == "Gaming") %>% 
    group_by(publish_hour) %>% 
    summarise(avg_views = mean(views)) %>% 
    ungroup() %>% 
    mutate(
      label2 = glue(
      "Publish Hour: {publish_hour}
      Average views: {comma(round(avg_views, 2))}"
      )
    )
    
  # Visualization
  plot3 <- ggplot(vids_trend, aes(x=publish_hour, y= avg_views))+
      geom_line(col="red") +
      geom_point(aes(text=label2), col="black") +
      scale_y_continuous(labels = comma , breaks = seq(0, 8000000, 1000000)) +
      scale_x_continuous(breaks = seq(0,23,1)) +
      labs(
        title = "Viewers Activity of Gaming Videos",
        x = "Publish Hours",
        y = "Average Views"
      ) +
      theme_minimal()
    
  ggplotly(plot3, tooltip = "text")
    
})

4.5 Menghubungkan Input dengan Plot Output

Setelah menambahkan input dan plot output, langkah selanjutnya adalah menghubungkan kedua elemen ini sehingga ketika pengguna memilih kategori video dari dropdown, visualisasi akan diperbarui secara otomatis.

Dalam konteks visualisasi ini, nilai input yang dipilih akan berfungsi sebagai filter untuk category_id, sehingga kita dapat memproses data sesuai dengan kategori yang dipilih sebelum melakukan visualisasi.

Oleh sebab, itu kita akan mengganti kode "Gaming" pada

filter(category_id == "Gaming")

dengan id inputan yang telah kita buat.

Untuk mengakses id menjad nilai dinamis sesuai inputan yang dipilih user, kita dapat menggunakan syntaks input$id

input$input_category

Berikut implementasinya

  # ---- Kode untuk Lolipop plot (plot2) ---- 
  output$plot2_lolipop <- renderPlotly({
    
    # Data wrangling
    vids_10 <- vids_clean %>%
      filter(category_id==input$input_category) %>%
      group_by(channel_title) %>% 
      summarise(mean_viewers = mean(views)) %>% 
      ungroup() %>% 
      arrange(-mean_viewers) %>%
      head(10)
    
    vids_10 <- vids_10 %>% 
      mutate(label = glue(
        "Channel : {channel_title}
       Average Views: {comma(mean_viewers)}"
      )
      )
    
    # Visualization
    plot2 <- ggplot(vids_10, aes(x = reorder(channel_title, mean_viewers), 
                                 y = mean_viewers,
                                 text = label)) +
      
      geom_segment(aes(xend=reorder(channel_title, mean_viewers), y=0,yend=mean_viewers), color="red") +
      geom_point(color="black", size=3) +
      coord_flip() +
      scale_y_continuous(labels = comma) +
      labs(title = glue("Top 10 Channel on {input$input_category}"),
           x = NULL,
           y = "Average View") +
      theme_minimal()
    
    ggplotly(plot2, tooltip = "text")
    
  })
  
  # ---- Kode untuk Lineplot (plot3) ---- 
  output$plot3_line <- renderPlotly({
    
    # Data wrangling
    vids_trend <- vids_clean %>% 
      filter(category_id == input$input_category) %>% 
      group_by(publish_hour) %>% 
      summarise(avg_views = mean(views)) %>% 
      ungroup() %>% 
      mutate(
        label2 = glue(
          "Publish Hour: {publish_hour}
      Average views: {comma(round(avg_views, 2))}"
        )
      )
    
    # Visualization
    plot3 <- ggplot(vids_trend, aes(x=publish_hour, y= avg_views))+
      geom_line(col="red") +
      geom_point(aes(text=label2), col="black") +
      scale_y_continuous(labels = comma , breaks = seq(0, 8000000, 1000000)) +
      scale_x_continuous(breaks = seq(0,23,1)) +
      labs(
        title = glue("Viewers Activity of {input$input_category} Videos"),
        x = "Publish Hours",
        y = "Average Views"
      ) +
      theme_minimal()
    
    ggplotly(plot3, tooltip = "text")
    
  })

5 Additional: Menyusun Halaman 3

5.1 Membuat Layout untuk Menampilkan Data Table

Untuk menampilkan data tabel dalam aplikasi Shiny, kita akan menggunakan library DT yang memungkinkan kita untuk membuat tabel interaktif. Berikut adalah langkah-langkah untuk menyusun layout pada halaman ketiga aplikasi kita.

# ----- Page 3
tabItem(
  tabName = "page3",
  fluidRow(
    box(
      width = 12,
      title = "Data US Youtube Trending 2023",
      DT::DTOutput(outputId = "dataset")  # Menyediakan output untuk tabel
    )
  )
)

5.2 Menyediakan Output Data Table pada Bagian server.R

Setelah layout diatur, langkah selanjutnya adalah menyediakan output data tabel di bagian server.R. Kita akan menggunakan fungsi renderDT dari library DT untuk merender dataset yang bersih (vids_clean) ke dalam tabel interaktif.

# ---- Kode untuk menampilkan dataset table
output$dataset <- DT::renderDT(
  vids_clean,
  options = list(scrollX = TRUE,  # Memungkinkan scroll horizontal
                 scrollY = TRUE)  # Memungkinkan scroll vertikal
)

6 Additional: Appearance

6.1 Mengatur Tema Shiny Dashboard

Untuk meningkatkan tampilan dan nuansa aplikasi Shiny Dashboard kita, kita dapat mengatur tema dan gaya dengan menggunakan berbagai opsi yang disediakan oleh paket shinydashboard. Anda dapat menemukan informasi lebih lanjut dan dokumentasi lengkap tentang penampilan di dokumentasi resmi shinydashboard.

Berikut adalah beberapa langkah yang dapat Anda ikuti untuk mengatur tema pada Shiny Dashboard:

1. Mengubah Tema Dasar

Anda bisa mengubah tema dasar dashboard dengan menggunakan parameter dashboardBody(), seperti berikut:

dashboardBody(
  # Mengatur tema dengan menambahkan CSS
  tags$head(
    tags$style(HTML('
      /* Mengubah warna latar belakang dan warna teks */
      .skin-blue .main-header .logo {
          background-color: #3c8dbc;
          color: #fff;
      }
      .skin-blue .main-header .navbar {
          background-color: #3c8dbc;
      }
      .skin-blue .main-header .navbar .sidebar-toggle {
          background-color: #3c8dbc;
      }
      .skin-blue .main-sidebar {
          background-color: #f4f4f4;
      }
      .skin-blue .main-footer {
          background-color: #3c8dbc;
          color: #fff;
      }
    '))
  ),
  # Konten lainnya...
)

2. Menambahkan Ikon

Anda dapat menambahkan ikon pada menu dengan menggunakan paket fontAwesome:

library(shiny)
library(shinydashboard)

dashboardPage(
  dashboardHeader(title = "YouTube Dashboard"),
  dashboardSidebar(
    sidebarMenu(
      menuItem("Page 1", tabName = "page1", icon = icon("dashboard")),
      menuItem("Page 2", tabName = "page2", icon = icon("video")),
      menuItem("Page 3", tabName = "page3", icon = icon("table"))
    )
  ),
  dashboardBody(
    # Konten body...
  )
)

3. Mengubah Warna Teks dan Latar Belakang

Anda juga dapat mengubah warna teks dan latar belakang di bagian body:

dashboardBody(
  tags$head(
    tags$style(HTML('
      body {
          background-color: #f0f0f0; /* Latar belakang halaman */
          color: #333; /* Warna teks */
      }
    '))
  ),
  # Konten lainnya...
)

4. Mengatur Komponen Lainnya

Anda juga dapat mengatur komponen lain seperti ukuran font, batas, padding, dan margin untuk mencapai tampilan yang diinginkan dengan menambahkan lebih banyak CSS di bagian tags$head().

5. Menggunakan Tema Pihak Ketiga

Selain itu, Anda dapat menggunakan tema dari pihak ketiga seperti shinythemes atau bslib untuk mendapatkan lebih banyak pilihan tema yang dapat disesuaikan.

library(shinythemes)

ui <- fluidPage(
  theme = shinytheme("cerulean"),
  # Konten aplikasi Anda...
)

Referensi

• Dokumentasi Shiny

• Dokumentasi Shiny Dashboard

• shiny Gallery

• shiny input Gallery

• shinyWidgets