Visualisasi Data, Ukuran Penyebaran Data dan Ukuran Pemusatan Data Pengguna E-Commerce
Palupi Eka Wardani
2025-03-07
Anggota Kelompok 7
- Palupi Eka Wardani (3337240004)
- Indah Purnamawati (3337240043)
- Lailatun Najmi (3337240052)
Install library
Beberapa library yang perlu di instal sebagai berikut:
library(ggplot2)
library(readxl)
library(ggthemes)
library(gridExtra)Input Data
Data di input dari Microsoft Excel dengan syntax berikut:
setwd("C:/prosta")
data <- read_excel("tabel_responden_valid.xlsx")
head(data)## # A tibble: 6 × 9
## `Nama Responden` `Jenis Kelamin` Umur ECommerce `Penilaian Tampilan`
## <chr> <chr> <dbl> <chr> <dbl>
## 1 Diana Ulfah P 23 Shopee 4
## 2 Riska Fahma P 24 Shopee 5
## 3 Anggun P 23 Shopee 5
## 4 Galang Megandhanu L 23 Shopee 5
## 5 Arin P 23 Shopee 4
## 6 Riske Anggarini P 22 Lazada 4
## # ℹ 4 more variables: `Penilaian Fitur` <dbl>,
## # `Penilaian Kecepatan Akses` <dbl>, `Penilaian Pelayanan` <dbl>,
## # `Penilaian Promo` <dbl>Sumber: Pudjiarti, E. Tabrani, M. 2021. Analisis Survei Kepuasan Pelanggan Terhadap E-Commerce Dengan Metode Simple Additive. Jurnal Ilmiah Elektronika dan Komputer. Vol 14(2): 286-300. https://journal.stekom.ac.id/index.php/elkom/article/download/532/422/
Visualisasi Data
1. Pie Chart
Dari data tersebut akan disajikan visualisasi data dalam bentuk Pie Chart Aplikasi E-commerce yang digunakan responden:
pie_chart <- ggplot(data, aes(x = "", fill = ECommerce)) +
geom_bar(width = 1) +
coord_polar("y", start = 0) +
theme_minimal() +
labs(title = "Aplikasi E-commerce yang digunakan responden") +
theme(axis.text.x = element_blank())
pie_chart
Dari hasil visualisasi data menggunakan Pie Chart, dapat diketahui bahwa penggunaan aplikasi e-commerce terbesar adalah Shopee, sedangkan Lazada memiliki proporsi terkecil e-commerce yang digunakan oleh responden.
2. Bar Chart
Dari data tersebut akan disajikan visualisasi data dalam bentuk Bar Chart Jenis Kelamin Responden. Berikut terlampir hasil visualisasi datanya:
bar_chart <- ggplot(data, aes(x = `Jenis Kelamin`, fill = `Jenis Kelamin`)) +
geom_bar() +
theme_minimal() +
labs(title = "Jenis Kelamin Pengguna E-Commerce", x = "Jenis Kelamin", y = "Frekuensi")
bar_chart
Dari hasil visualisasi di atas dapat dijelaskan bahwa mayoritas responden memiliki jenis kelamin perempuan dengan frekuensi sekitar 47. Sedangkan responden dengan jenis kelamin laki-laki lebih rendah dengan frekuensi sekitar 37.
3. Histogram
Dari data tersebut akan disajikan visualisasi data dalam bentuk Histogram Penilaian Tampilan terhadap aplikasi E-Commerce. Berikut terlampir hasil visualisasi datanya:
histogram <- ggplot(data, aes(x = `Penilaian Tampilan`)) +
geom_histogram(binwidth = 1, fill = "lightblue", color = "black", alpha = 0.7) +
theme_minimal() +
labs(title = "Histogram: Penilaian Tampilan E-Commerce", x = "Skor Penilaian", y = "Jumlah Responden")
histogram
Dari hasil visualisasi tersebut, dapat disimpulkan bahwa mayoritas responden merasa tampilan pada aplikasi e-commerce bagus hingga sangat bagus dari banyaknya skor 4 dan 5. Namun beberapa responden memberi skor 3 yang berarti tampilan pada aplikasi e-commerce masih perlu ditingkatkan.
4. Boxplot
Dari data tersebut akan disajikan visualisasi data dalam bentuk Box Plot Penilaian Fitur terhadap aplikasi E-Commerce. Berikut terlampir hasil visualisasi datanya:
boxplot_data <- ggplot(data) +
geom_boxplot(aes(y = `Penilaian Fitur`, fill = "Penilaian Fitur"), alpha = 0.6) +
theme_minimal() +
labs(title = "Boxplot: Penilaian Fitur terhadap aplikasi E-Commerce", fill = "Kondisi")
boxplot_data
Dari hasil visualisasi data menggunakan Box Plot, dapat diketahui bahwa penilaian fitur terhadap aplikasi e-commerce yang digunakan responden berkisar antara 3 hingga 5, dengan mayoritas data berada dalam rentang 4 hingga 5.
5. Density Plot
Dari data tersebut akan disajikan visualisasi data dalam bentuk Density Plot Penilaian Kecepatan Akses terhadap aplikasi E-Commerce. Berikut terlampir hasil visualisasi datanya:
density_plot <- ggplot(data, aes(x = `Penilaian Kecepatan Akses`,fill = "Penilaian Kecepatan Akses")) +
geom_density(alpha = 0.5) +
theme_minimal() +
labs(title = "Density Plot: Penilaian Kecepatan Akses", x = "Penilaian", y = "Density")
density_plot
Dari hasil visualisasi di atas dapat dijelaskan bahwa mayoritas responden memberikan penilaian kecepatan akses pada aplikasi e-commerce dalam kisaran 4-5. Sedangkan penilaian kecepatan akses terendah berada pada penilaian dengan angka 3. Persebaran penilaian kecepatan akses berada pada rentang antara 3-5.
6. Dot Plot
Dari data tersebut akan disajikan visualisasi data dalam bentuk Dot Plot Penilaian Layanan terhadap aplikasi E-Commerce. Berikut terlampir hasil visualisasi datanya:
dot_plot <- ggplot(data, aes(x = `Penilaian Pelayanan`)) +
geom_dotplot(binwidth = 0.33, fill = "orange", color = "black",
stackdir = "up", dotsize = 0.1) +
theme_minimal() +
labs(title = "Dot Plot: Penilaian Pelayanan E-Commerce",
x = "Skor Penilaian",
y = "Jumlah Responden")
dot_plot
Dari hasil visualisasi tersebut, dapat disimpulkan bahwa mayoritas responden merasa pelayanan pada aplikasi e-commerce bagus hingga sangat bagus dari banyaknya skor 4 dan 5. Namun beberapa responden memberi skor 3 yang berarti pelayanan pada aplikasi e-commerce masih perlu ditingkatkan.
7. Steam and Leaf Plot
Dari data tersebut akan disajikan visualisasi data dalam bentuk Steam and Leaf Plot Penilaian Promo terhadap aplikasi E-Commerce. Berikut terlampir hasil visualisasi datanya:
stem(data$`Penilaian Promo`)##
## The decimal point is 1 digit(s) to the left of the |
##
## 30 | 000000000000000
## 32 |
## 34 |
## 36 |
## 38 |
## 40 | 0000000000000000000000000000
## 42 |
## 44 |
## 46 |
## 48 |
## 50 | 00000000000000000000000000000000000000000Dari hasil visualisasi data, dapat diketahui bahwa kategori Penilaian Promo dengan jumlah terbanyak adalah responden memberikan nilai 5 untuk promo pada aplikasi e-commerce. Sedangkan responden paling sedikit memberikan nilai 3 untuk promo pada aplikasi e-commerce.
Ukuran Pemusatan Data
1. Mean (Rata - Rata)
Berikut terlampir syntax untuk menghitung mean umur dari responden:
mean(data$Umur)## [1] 24.02381Rata rata umur responden adalah 24.02 tahun.
2. Median (Nilai Tengah)
Berikut terlampir syntax untuk menghitung median umur dari responden:
median(data$Umur)## [1] 23Median atau nilai tengah umur dari responden adalah 23 tahun.
3. Modus
Berikut terlampir syntax untuk menghitung modus umur dari responden:
modus <- function(x) {
uniqx <- unique(x)
uniqx[which.max(tabulate(match(x, uniqx)))]
}
modus(data$`Umur`)## [1] 23Modus atau banyaknya responden adalah umur 23 tahun.
4. Ringkasan Data (Statistik 5 Serangkai)
Berikut terlampir syntax untuk menghitung statistik 5 serangkai umur dari responden:
summary(data$Umur)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 16.00 22.00 23.00 24.02 24.25 37.00Pada variabel umur dapat diketahui bahwa nilai minimumnya adalah 16, nilai maksimumnya adalah 37, Q1-nya adalah 22, Q3-nya adalah 24.25, mediannya adalah 23 dan meannya adalah 24.02.
Ukuran Penyebaran Data
1. Range (Jangkauan)
Berikut terlampir syntax untuk menghitung range/jangkauan umur dari responden:
max(data$Umur) - min(data$Umur)## [1] 21Range atau jangkauan dari variabel umur responden adalah 21 tahun.
2. Q1 (Kuartil Bawah)
Berikut terlampir syntax untuk menghitung Q1(kuartil bawah) umur dari responden:
Q1 = quantile(data$Umur,1/4)
Q1## 25%
## 22Q1 dari variabel umur responden adalah 22.
3. Q3 (Kuartil Atas)
Berikut terlampir syntax untuk menghitung Q2(kuartil atas) umur dari responden:
Q3 = quantile(data$Umur,3/4)
Q3## 75%
## 24.25Q3 dari variabel umur responden adalah 24.25.
4. Keragaman (Varians)
Berikut terlampir syntax untuk menghitung keragaman data pada variabel umur responden:
var(data$Umur)## [1] 17.46931Ragam atau varian dari variabel umur responden adalah 17.46931 tahun.
5. Standar Deviasi
Berikut terlampir syntax untuk menghitung standar deviasi umur dari responden:
sd(data$Umur )## [1] 4.17963Standar deviasi dari variabel umur responden adalah 4.17963 tahun.