Membuat Visualisasi dengan Beberapa Kategori dan Tipe Data

Seperti yang telah diketahui, data memiliki banyak sekali tipe yang dapat dieksplorasi menggunakan teknik visualisasi sehingga dapat memahami pola, tren, dan hubungan antar variabel secara efektif. Visualisasi yang digunakan bertujuan untuk menyederhanakan informasi yang terlalu kompleks sehingga khalayak umum dapat memahami informasi dengan mudah dan lebih sederhana. Keberagaman tipe data yang digunakan memerlukan sebuah visualisasi yang tepat sehingga dapat dipahami dengan baik oleh pembaca. terdapat beberapa jenis data yang dapat divisualisasikan khususnya yang sering digunakan adalah perbandingan kategori, deret waktu, distribusi, dan data geospasial.

Kesempatan Kali ini, akan memanfaatkan package esquisse untuk membuat visualisasi berdasarkan jenis data yang digunakan.

Implementasi Visualisasi Perbandingan Kategori

Implementasi Visualisasi Deret Waktu

Implementasi Visualisasi Distribusi

Implementasi Visualisasi Geospatial

Pemanggilan Library

library(esquisse)

## Warning: package 'esquisse' was built under R version 4.3.3

library(ggplot2)
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     1.3.1
## ── 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

library(tidymodels)

## ── Attaching packages ────────────────────────────────────── tidymodels 1.1.1 ──
## ✔ broom        1.0.5     ✔ rsample      1.2.0
## ✔ dials        1.2.0     ✔ tune         1.1.2
## ✔ infer        1.0.6     ✔ workflows    1.1.3
## ✔ modeldata    1.3.0     ✔ workflowsets 1.0.1
## ✔ parsnip      1.1.1     ✔ yardstick    1.3.0
## ✔ recipes      1.0.9     
## ── Conflicts ───────────────────────────────────────── tidymodels_conflicts() ──
## ✖ scales::discard() masks purrr::discard()
## ✖ dplyr::filter()   masks stats::filter()
## ✖ recipes::fixed()  masks stringr::fixed()
## ✖ dplyr::lag()      masks stats::lag()
## ✖ yardstick::spec() masks readr::spec()
## ✖ recipes::step()   masks stats::step()
## • Search for functions across packages at https://www.tidymodels.org/find/

Pemanggilan Data

contoh data yang digunakan dapat diakses pada laman berikut :

• Placement Prediction Dataset - https://www.kaggle.com/datasets/ruchikakumbhar/placement-prediction-dataset

• Mobile Apps Screentime Analysis - https://www.kaggle.com/datasets/anandshaw2001/mobile-apps-screentime-analysis

• Electric Vehicle Population - https://www.kaggle.com/datasets/fatmanur12/electric-vehicle-population

• Time Series Starter Dataset - https://www.kaggle.com/datasets/podsyp/time-series-starter-dataset

• Spatial Data Implementation -

data_placement <- read.csv("placementdata.csv")
data_mobile <- read.csv("screentime_analysis.csv")
data_ev <- read.csv("EV_Population.csv")
data_ts <- read.csv("Month_Value_1.csv")

Memanfaatkan Package Esquisse untuk Visualisasi Data yang akan digunakan

# Sesuaikan dengan data yang telah dipanggil pada bagian pemanggilan data
# esquisse::esquisser("data_placement")
# esquisse::esquisser("data_mobile")
# esquisse::esquisser("data_ev")
# esquisse::esquisser("data_ts")

Implementasi Data Kategori dengan Mengekstrak Code dari Esquisse

# Diagram Batang
ggplot(data_mobile) +
 aes(x = App, y = Usage..minutes.) +
 geom_bar(stat = "summary", fun = "sum", fill = "#112446") +
 theme_minimal()

# Heatmap
ggplot(data_mobile) +
  aes(x = Notifications, fill = Date) +
  geom_histogram(bins = 30L) +
  scale_fill_hue(direction = 1) +
  theme_minimal()

Implementasi Data Deret Waktu dengan Mengekstrak Code dari Esquisse

#Line Chart
ggplot(data_ts) +
  aes(
    x = Revenue,
    y = Average_cost,
    fill = The_average_annual_payroll_of_the_region
  ) +
  geom_line(colour = "#112446") +
  scale_fill_viridis_c(option = "inferno", direction = 1) +
  theme_minimal()

## Warning: Removed 32 rows containing missing values or values outside the scale range
## (`geom_line()`).

#Area
ggplot(data_ts) +
  aes(x = Average_cost, y = Sales_quantity) +
  geom_area() +
  theme_minimal()

## Warning: Removed 32 rows containing non-finite outside the scale range
## (`stat_align()`).