Input Data

Sebelum melakukan visualisasi data, akan diinputkan data terkait dengan korban tsunamidi beberapa negara. Berikut terlampir data korban tsunami:

korban <-c(10,12,4,16,8)
negara <- c("US","UK","Australia","Germany","France")
persen <- round((korban/sum(korban))*100)
data.frame(korban,negara,persen)
##   korban    negara persen
## 1     10        US     20
## 2     12        UK     24
## 3      4 Australia      8
## 4     16   Germany     32
## 5      8    France     16

Visualisasi Pie Chart

Hasil Visualisasi data di atas dengan menggunakan Pie Chart disajikan sebagai berikut:

label <- paste(negara,persen,"%") #menambahkan persentase ke pie chart
pie(korban,labels = label, col = rainbow(length(label)),main="Pie Chart Korban Tsunami")

Dari hasil visualisasi pie chart tersebut dapat dijelaskan bahwa negara jerman merupakan negara yang paling banyak korban terdampak bencana tsunami dengan jumlah korban sebanyak 32%. Sedangkan paling sedikit korban terdampak bencana tsunami yaitu Australia dengan jumlah korban sebanyak 8%.

Visualisasi Bar Chart

Hasil Visualisasi data di atas dengan menggunakan Bar Chart disajikan sebagai berikut:

barplot(korban,col = "lightblue",main = "Barplot korban tsunami",names.arg = negara)

Dari hasil visualisasi Bar Chart tersebut dapat dijelaskan bahwa negara yang paling banyak korban terdampak bencana tsunami adalah Germany dengan jumlah korban sebanyak 16 korban. Sedangkan paling sedikit korban terdampak bencana tsunami yaitu Australia dengan jumlah korban sebanyak 4 korban.

Diagram titik(Dot Plots)

Hasil Visualisasi data di atas dengan menggunakan Dot Plots disajikan sebagai berikut:

data("mtcars")
head(mtcars)
##                    mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
## Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1
dotchart(mtcars$mpg,cex = 0.7,main = "Jarak tempuh kendaraan per Liter",xlab = "Jarak tempuh (km) per liter")

Dari Hasil visualisasi Dot Plot menunjukkan distribusi jarak tempuh kendaraan per liter. Setiap titik pada grafik mewakili jarak tempuh per liter dari masing-masing kendaraan. Kendaraan dengan titik yang lebih ke kanan memiliki efisiensi bahan bakar lebih tinggi, sedangkan kendaraan dengan titik lebih ke kiri memiliki efisiensi lebih rendah. Jika banyak titik terkumpul di satu area, berarti banyak kendaraan memiliki efisiensi bahan bakar yang mirip, sedangkan jika penyebarannya luas, menunjukkan adanya variasi besar dalam efisiensi bahan bakar antar kendaraan.

Steam and Leaf Plots

Hasil Visualisasi data di atas dengan menggunakan Steam and Leaf Plots disajikan sebagai berikut:

stem(mtcars$mpg,scale = 2)
## 
##   The decimal point is at the |
## 
##   10 | 44
##   12 | 3
##   14 | 3702258
##   16 | 438
##   18 | 17227
##   20 | 00445
##   22 | 88
##   24 | 4
##   26 | 03
##   28 | 
##   30 | 44
##   32 | 49

Dari Hasil visualisasi Stem and Leaf Plot menunjukkan distribusi jarak tempuh kendaraan per liter. Dalam plot ini, batang (stem) mewakili digit utama dari nilai jarak tempuh, sedangkan daun (leaf) menunjukkan digit terakhirnya. Jika banyak nilai terkumpul dalam satu batang, berarti sebagian besar kendaraan memiliki efisiensi bahan bakar dalam rentang yang sama. Sebaliknya, jika batang tersebar luas dengan jumlah daun yang sedikit, menunjukkan bahwa distribusi jarak tempuh cukup

Histogram

Hasil Visualisasi data di atas dengan menggunakan Histogram disajikan sebagai berikut:

hist(mtcars$mpg,breaks = 9,main = "Histogram Jarak tempuh kendaraan per Liter",col = "lightblue",xlab = "Jarak tempuh per Liter")

Dari hasil visualisasi Histogram, dapat dijelaskan bahwa sebagian besar kendaraan memiliki jarak tempuh di kisaran tertentu (tergantung distribusi datanya). Jika terdapat puncak tertinggi dalam histogram, berarti mayoritas kendaraan memiliki efisiensi bahan bakar yang serupa pada rentang tersebut. Sebaliknya, jika distribusi histogram menyebar luas, berarti variasi efisiensi bahan bakar antar kendaraan cukup besar.