library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.4.3

library(readxl)

## Warning: package 'readxl' was built under R version 4.4.3

library(ggthemes)

## Warning: package 'ggthemes' was built under R version 4.4.3

library(gridExtra)

## Warning: package 'gridExtra' was built under R version 4.4.3

Import Data

setwd("C:/Users/HI/Downloads/semester 2/prosta")
data <- read_excel("data_tugas.xlsx")

## New names:
## • `` -> `...6`
## • `` -> `...7`
## • `` -> `...8`

head(data)

## # A tibble: 6 × 10
##   Sumber terbesar uang saku maha…¹ Perubahan jumlah uan…² Pengeluaran mahasisw…³
##   <chr>                            <chr>                                   <dbl>
## 1 Orang tua/Wali                   ada penurunan                               2
## 2 Bekerja Part-time                ada penurunan                               1
## 3 Bekerja Part-time                Tidak berubah                               1
## 4 Orang tua/Wali                   Tidak berubah                               1
## 5 Bekerja Part-time                Tidak berubah                               1
## 6 Bekerja Part-time                ada kenaikan                                1
## # ℹ abbreviated names: ¹`Sumber terbesar uang saku mahasiswa`,
## #   ²`Perubahan jumlah uang saku setelah pandemi`,
## #   ³`Pengeluaran mahasiswa sebelum pandemi`
## # ℹ 7 more variables: `Pengeluaran mahasiswa sesudah pandemi` <dbl>,
## #   `Pengeluaran bulanan mahasiswa yang mengalami kenaikan paling signifikan sesudah pandemi` <dbl>,
## #   ...6 <lgl>, ...7 <lgl>, ...8 <lgl>, pengeluaran1 <dbl>, pengeluaran2 <dbl>

1. Pie Chart

pie_chart <- ggplot(data, aes(x = "", fill = `Sumber terbesar uang saku mahasiswa`)) +
  geom_bar(width = 1) +
  coord_polar("y", start = 0) +
  theme_minimal() +
  labs(title = "Distribusi Sumber terbesar uang saku mahasiswa") +
  theme(axis.text.x = element_blank())

pie_chart

Grafik pie chart menunjukkan bahwa mayoritas mahasiswa memperoleh uang saku dari orang tua atau wali, terlihat dari bagian hijau yang mendominasi. Sumber uang saku dari bekerja part-time juga cukup signifikan, meskipun lebih kecil dibandingkan kategori orang tua/wali. Sementara itu, sumber dari sponsor merupakan yang paling sedikit, ditunjukkan oleh bagian biru yang sangat kecil. Jika diperkirakan secara proporsional, sekitar 70-80% mahasiswa bergantung pada orang tua/wali, 15-25% bekerja part-time, dan sekitar 5% menerima sponsor. Hal ini mungkin menunjukkan bahwa mayoritas mahasiswa masih bergantung pada keluarga sebagai sumber utama keuangan mereka, sedangkan yang bekerja part-time kemungkinan melakukannya untuk menambah pemasukan atau memenuhi kebutuhan tambahan. Kelompok yang mendapatkan sponsor bisa berasal dari penerima beasiswa atau bantuan keuangan tertentu.

2. Bar Chart

bar_chart <- ggplot(data, aes(x = `Perubahan jumlah uang saku setelah pandemi`, fill = `Perubahan jumlah uang saku setelah pandemi`)) +
  geom_bar() +
  theme_minimal() +
  labs(title = "Distribusi Perubahan jumlah uang saku setelah pandemi", x = "Perubahan", y = "Frekuensi")

bar_chart

Grafik ini menunjukkan bagaimana jumlah uang saku mahasiswa berubah setelah pandemi. Dari segi statistik deskriptif, terlihat bahwa sebagian besar mahasiswa mengalami penurunan uang saku, sedangkan beberapa lainnya tetap menerima jumlah yang sama, dan hanya sedikit yang mengalami kenaikan. Hal ini bisa mengindikasikan bahwa pandemi berdampak negatif terhadap kondisi keuangan mahasiswa, meskipun tidak semua mengalami perubahan yang sama. kemungkinan karena berkurangnya pendapatan orang tua atau kesempatan kerja part-time bagi mahasiswa. Sementara itu, kelompok yang tidak mengalami perubahan uang saku bisa jadi berasal dari keluarga dengan kondisi ekonomi yang lebih stabil. Meski pola ini terlihat dalam data, kesimpulan ini masih sebatas dugaan dan bisa berbeda jika mempertimbangkan faktor lain seperti sumber pendapatan, lokasi tempat tinggal, atau pengeluaran mahasiswa.

3. Histogram

histogram <- ggplot(data, aes(x = `Pengeluaran mahasiswa sebelum pandemi`)) +
  geom_histogram(binwidth = 1, fill = "blue", color = "black", alpha = 0.7) +
  theme_minimal() +
  labs(title = "Histogram: Pengeluaran mahasiswa sebelum pandemi", x = "Jumlah Pengeluaran", y = "Frekuensi")

histogram

#Keterangan

= <Rp, 500.000 |
= Rp, 500.000 - Rp, 1.000.000 |
= >Rp, 1.000.000 |

Histogram ini menunjukkan distribusi pengeluaran mahasiswa sebelum pandemi dalam tiga kategori: kurang dari Rp 500.000, Rp 500.000 - Rp 1.000.000, dan lebih dari Rp 1.000.000. Dari segi statistik deskriptif, terlihat bahwa sebagian besar mahasiswa memiliki pengeluaran kurang dari Rp 500.000, sementara jumlah mahasiswa yang menghabiskan Rp 500.000 - Rp 1.000.000 lebih sedikit, dan hanya segelintir mahasiswa yang mengeluarkan lebih dari Rp 1.000.000. Hal ini menunjukkan bahwa sebelum pandemi, sebagian besar mahasiswa cenderung memiliki pola pengeluaran yang relatif rendah.Hal ini mungkin menunjukkan bahwa kebutuhan hidup mahasiswa saat itu masih terbatas pada kebutuhan dasar atau ditopang oleh kondisi ekonomi keluarga yang stabil. Jumlah mahasiswa yang memiliki pengeluaran lebih tinggi semakin berkurang, yang bisa jadi dipengaruhi oleh faktor seperti gaya hidup, pekerjaan sampingan, atau tanggungan keluarga. Namun, dugaan ini masih bersifat sementara dan memerlukan analisis lebih lanjut untuk memastikan apakah pola pengeluaran ini dipengaruhi oleh kondisi sosial ekonomi, sumber pendapatan, atau faktor lainnya.

Perhitungan “Pengeluaran mahasiswa sebelum pandemi”

pengeluaran1 <- data$pengeluaran1

mean_value <- mean(`pengeluaran1`, na.rm = TRUE)
median_value <- median(pengeluaran1, na.rm = TRUE)  
modus_value <- as.numeric(names(sort(table(pengeluaran1), decreasing = TRUE)[1]))  
q1_value <- quantile(pengeluaran1, 0.25, na.rm = TRUE)  
q3_value <- quantile(pengeluaran1, 0.75, na.rm = TRUE) 
range_value <- range(pengeluaran1, na.rm = TRUE) 
variance_value <- var(pengeluaran1, na.rm = TRUE) 
sd_value <- sd(pengeluaran1, na.rm = TRUE)

format_uang <- function(x) {
  paste0("Rp ", formatC(x, format = "f", big.mark = ".", decimal.mark = ",", digits = 0))
}

cat("Mean:", format_uang(mean_value), "\n")

## Mean: Rp 583.333

cat("Median:", format_uang(median_value), "\n")

## Median: Rp 500.000

cat("Modus:", format_uang(modus_value), "\n")

## Modus: Rp 500.000

cat("Q1:", format_uang(q1_value), "\n")

## Q1: Rp 500.000

cat("Q3:", format_uang(q3_value), "\n")

## Q3: Rp 750.000

cat("Range:", format_uang(range_value[1]), "-", format_uang(range_value[2]), "\n")

## Range: Rp 500.000 - Rp 1.000.000

cat("Varians:", format_uang(variance_value), "\n")

## Varians: Rp 18.229.166.667

cat("Standar Deviasi:", format_uang(sd_value), "\n")

## Standar Deviasi: Rp 135.015

4. Density Plot

density_plot <- ggplot(data, aes(x = `Pengeluaran mahasiswa sesudah pandemi`,fill = "Pengeluaran mahasiswa sesudah pandemi")) +
  geom_density(alpha = 1 ) +
  theme_minimal() +
  scale_x_continuous(breaks = c(1, 2, 3)) +
  labs(title = "Density Plot: Pengeluaran mahasiswa sesudah pandemi", x = "Pengeluaran", y = "Density")
density_plot

#Keterangan

= <Rp, 500.000 |
= Rp, 500.000 - Rp, 1.000.000 |
= >Rp, 1.000.000 |

Grafik density plot ini menunjukkan distribusi pengeluaran mahasiswa setelah pandemi. Dari segi statistik deskriptif, terlihat bahwa mayoritas mahasiswa memiliki pengeluaran pada kategori rendah hingga menengah, dengan dua puncak yang menunjukkan adanya dua kelompok dominan dalam pola pengeluaran mereka. Sebagian besar mahasiswa masih berada dalam rentang pengeluaran yang lebih kecil, tetapi ada juga kelompok lain dengan pengeluaran lebih tinggi meskipun jumlahnya lebih sedikit. Dari dugaan, pola ini mungkin terjadi karena setelah pandemi, sebagian mahasiswa harus lebih berhemat akibat keterbatasan sumber pendapatan, sementara yang lain, mungkin karena keharusan memenuhi kebutuhan akademik atau gaya hidup tertentu, memiliki pengeluaran yang lebih besar. Namun, dugaan ini belum bisa dipastikan tanpa mempertimbangkan faktor lain seperti sumber uang saku, biaya hidup, atau perubahan kondisi ekonomi mahasiswa setelah pandemi.

Perhitungan “Pengeluaran mahasiswa sesudah pandemi”

pengeluaran2 <- data$pengeluaran2

mean_value <- mean(`pengeluaran2`, na.rm = TRUE)
median_value <- median(pengeluaran2, na.rm = TRUE)  
modus_value <- as.numeric(names(sort(table(pengeluaran1), decreasing = TRUE)[1]))  
q1_value <- quantile(pengeluaran2, 0.25, na.rm = TRUE)  
q3_value <- quantile(pengeluaran2, 0.75, na.rm = TRUE) 
range_value <- range(pengeluaran2, na.rm = TRUE) 
variance_value <- var(pengeluaran2, na.rm = TRUE) 
sd_value <- sd(pengeluaran2, na.rm = TRUE)

format_uang <- function(x) {
  paste0("Rp ", formatC(x, format = "f", big.mark = ".", decimal.mark = ",", digits = 0))
}

cat("Mean:", format_uang(mean_value), "\n")

## Mean: Rp 628.788

cat("Median:", format_uang(median_value), "\n")

## Median: Rp 500.000

cat("Modus:", format_uang(modus_value), "\n")

## Modus: Rp 500.000

cat("Q1:", format_uang(q1_value), "\n")

## Q1: Rp 500.000

cat("Q3:", format_uang(q3_value), "\n")

## Q3: Rp 750.000

cat("Range:", format_uang(range_value[1]), "-", format_uang(range_value[2]), "\n")

## Range: Rp 500.000 - Rp 1.000.000

cat("Varians:", format_uang(variance_value), "\n")

## Varians: Rp 27.817.234.848

cat("Standar Deviasi:", format_uang(sd_value), "\n")

## Standar Deviasi: Rp 166.785

5. Boxplot

boxplot_data <- ggplot(data) +
  geom_boxplot(aes(y = `Pengeluaran bulanan mahasiswa yang mengalami kenaikan paling signifikan sesudah pandemi`, fill = "Pengeluaran bulanan mahasiswa"), alpha = 0.6) +
  theme_minimal() +
  labs(title = "Boxplot: Pengeluaran bulanan mahasiswa", fill = "Kondisi")

boxplot_data

#keterangan

= makanan dan minuman |
= kebutuhan pribadi |
= kesehatan |
= paket telepon dan internet

Grafik boxplot ini menunjukkan distribusi pengeluaran bulanan mahasiswa berdasarkan kategori pengeluaran, yaitu makanan dan minuman (1), kebutuhan pribadi (2), kesehatan (3), serta paket telepon dan internet (4). Dari segi statistik deskriptif, terlihat bahwa rentang pengeluaran cukup luas, dengan nilai median berada pada kategori kesehatan (3), yang menunjukkan bahwa sebagian besar mahasiswa memiliki pengeluaran yang lebih tinggi di sektor ini dibandingkan kategori lainnya. Namun, sebaran data terlihat cukup besar, yang mengindikasikan adanya variasi signifikan dalam pola pengeluaran mahasiswa. Dari dugaan, tingginya pengeluaran di kategori kesehatan bisa jadi disebabkan oleh meningkatnya kesadaran mahasiswa terhadap kesehatan setelah pandemi. Sementara itu, kategori lainnya seperti makanan dan minuman serta kebutuhan pribadi kemungkinan tetap menjadi bagian penting dari pengeluaran mahasiswa, tetapi dengan variasi yang lebih kecil. Namun, dugaan ini masih perlu dianalisis lebih lanjut dengan mempertimbangkan faktor seperti perubahan gaya hidup, sumber pendapatan, serta kebutuhan akademik mahasiswa.

Source : SUMIKOLAH: JURNAL ILMU PENDIDIKAN - Volume 2, Nomor 2, Agustus 2024 (hal. 66-73) | e-ISSN 2985, Analisis Pengeluaran Mahasiswa pada Masa Pra dan Pasca Pandemi COVID-19

( https://ejournal.unklab.ac.id/index.php/sumikolah/article/download/1125/905/ )

Tugas Kelompok Prosta

Muhammad Akbar Muzaki

2025-03-03