library(sf)

## Linking to GEOS 3.13.1, GDAL 3.11.0, PROJ 9.6.0; sf_use_s2() is TRUE

library(ggplot2)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

#baca file data
peta <- st_read("C:/Users/ACER/Downloads/33.05_Kebumen/33.05_kecamatan.geojson")

## Reading layer `33.05_kecamatan' from data source 
##   `C:\Users\ACER\Downloads\33.05_Kebumen\33.05_kecamatan.geojson' 
##   using driver `GeoJSON'
## Simple feature collection with 26 features and 4 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XYZ
## Bounding box:  xmin: 109.3788 ymin: -7.83123 xmax: 109.8393 ymax: -7.445676
## z_range:       zmin: 0 zmax: 0
## Geodetic CRS:  WGS 84

peta

## Simple feature collection with 26 features and 4 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XYZ
## Bounding box:  xmin: 109.3788 ymin: -7.83123 xmax: 109.8393 ymax: -7.445676
## z_range:       zmin: 0 zmax: 0
## Geodetic CRS:  WGS 84
## First 10 features:
##    kd_propinsi kd_dati2 kd_kecamatan   nm_kecamatan
## 1           33       05          001           Ayah
## 2           33       05          002         Buayan
## 3           33       05          003         Puring
## 4           33       05          004      Petanahan
## 5           33       05          005        Klirong
## 6           33       05          006 Buluspesantren
## 7           33       05          007          Ambal
## 8           33       05          008          Mirit
## 9           33       05          009        Prembun
## 10          33       05          010   Kutowinangun
##                          geometry
## 1  MULTIPOLYGON Z (((109.411 -...
## 2  MULTIPOLYGON Z (((109.4689 ...
## 3  MULTIPOLYGON Z (((109.5242 ...
## 4  MULTIPOLYGON Z (((109.5908 ...
## 5  MULTIPOLYGON Z (((109.6439 ...
## 6  MULTIPOLYGON Z (((109.6697 ...
## 7  MULTIPOLYGON Z (((109.7117 ...
## 8  MULTIPOLYGON Z (((109.7954 ...
## 9  MULTIPOLYGON Z (((109.803 -...
## 10 MULTIPOLYGON Z (((109.724 -...

set.seed(100)

data <- data.frame(
  Kecamatan = peta$nm_kecamatan,   
  PM25 = sample(20:90, length(peta$nm_kecamatan), replace = TRUE)
)

head(data)

##        Kecamatan PM25
## 1           Ayah   42
## 2         Buayan   89
## 3         Puring   23
## 4      Petanahan   74
## 5        Klirong   89
## 6 Buluspesantren   26

# Gabungkan data dengan peta
peta_data <- left_join(peta, data, by=c("nm_kecamatan"="Kecamatan"))

peta_data

## Simple feature collection with 26 features and 5 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XYZ
## Bounding box:  xmin: 109.3788 ymin: -7.83123 xmax: 109.8393 ymax: -7.445676
## z_range:       zmin: 0 zmax: 0
## Geodetic CRS:  WGS 84
## First 10 features:
##    kd_propinsi kd_dati2 kd_kecamatan   nm_kecamatan PM25
## 1           33       05          001           Ayah   42
## 2           33       05          002         Buayan   89
## 3           33       05          003         Puring   23
## 4           33       05          004      Petanahan   74
## 5           33       05          005        Klirong   89
## 6           33       05          006 Buluspesantren   26
## 7           33       05          007          Ambal   26
## 8           33       05          008          Mirit   74
## 9           33       05          009        Prembun   62
## 10          33       05          010   Kutowinangun   80
##                          geometry
## 1  MULTIPOLYGON Z (((109.411 -...
## 2  MULTIPOLYGON Z (((109.4689 ...
## 3  MULTIPOLYGON Z (((109.5242 ...
## 4  MULTIPOLYGON Z (((109.5908 ...
## 5  MULTIPOLYGON Z (((109.6439 ...
## 6  MULTIPOLYGON Z (((109.6697 ...
## 7  MULTIPOLYGON Z (((109.7117 ...
## 8  MULTIPOLYGON Z (((109.7954 ...
## 9  MULTIPOLYGON Z (((109.803 -...
## 10 MULTIPOLYGON Z (((109.724 -...

Choropleth map

adalah peta tematik yang menampilkan data kuantitatif menggunakan gradasi warna sesuai dengan batas wilayah tertentu. Visualisasi ini sangat berguna dalam statistika lingkungan untuk melihat perbedaan spasial, misalnya distribusi polusi udara, curah hujan, atau kualitas air pada wilayah yang berbeda.

# Plot choropleth
ggplot(peta_data) +
  geom_sf(aes(fill=PM25), color="white") +
  geom_sf_text(aes(label = nm_kecamatan), size = 3, color = "white") +
  scale_fill_gradient(low="orange", high="lightblue", name="PM2.5") +
  theme_minimal() +
  labs(title="Choropleth Map PM2.5 - Kabupaten Kebumen")

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

Interpretasi :

Warna peta menunjukkan tingkat polusi udara (PM2.5)

Oranye → polusi lebih tinggi
Biru → polusi lebih rendah
Coklat muda → tingkat sedang

Hasilnya:

Daerah selatan (dekat pantai seperti Ambal, Puring, Ayah, Buluspesantren) punya polusi lebih tinggi
Daerah utara (seperti Sempor, Buayan, Padureso) polusinya lebih rendah, karena lebih banyak hutan dan pegunungan.
Tengah Kebumen ada di tingkat sedang.

Kesimpulan :

Polusi udara di Kebumen tidak merata.
Wilayah pantai lebih rawan polusi, kemungkinan karena banyak aktivitas manusia (transportasi, pembakaran, atau industri kecil).
Wilayah pegunungan lebih bersih karena ada banyak pohon dan udara lebih mudah menyebar.

Stacked Area Chart

Stacked Area Chart adalah grafik yang menunjukkan perkembangan nilai dari waktu ke waktu, di mana setiap kategori ditumpuk satu sama lain sehingga terlihat total keseluruhan dan juga kontribusi masing-masing bagian.

library(tidyr)
library(ggplot2)

# Tambahkan dimensi waktu dengan nama bulan
set.seed(123)
time_data <- expand.grid(
  Bulan = month.name[1:6],   # Januari - Juni
  Kecamatan = data$Kecamatan
)

# Simulasi nilai PM2.5
time_data$PM25 <- sample(20:90, nrow(time_data), replace = TRUE)

# Plot stacked area chart
library(ggplot2)

ggplot(time_data, aes(x = Bulan, y = PM25, fill = Kecamatan, group = Kecamatan)) +
  geom_area(position = "stack", color = "white", size = 0.3) +
  theme_minimal() +
  labs(
    title = "Stacked Area Chart PM2.5 per Kecamatan",
    x = "Bulan",
    y = "PM2.5"
  ) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

interpretasi :

Total PM2.5 per bulan terlihat berfluktuasi dari Januari sampai Juni. Misalnya, ada lonjakan pada Maret–April yang menunjukkan peningkatan akumulasi polusi di seluruh kecamatan.
Kontribusi per kecamatan berbeda-beda: ada beberapa kecamatan yang selalu menyumbang lapisan lebih besar (misalnya warna hijau & oranye tebal), artinya mereka punya konsentrasi PM2.5 lebih tinggi dibanding kecamatan lain.
Kecamatan dengan warna lapisan tipis berarti kontribusinya relatif kecil terhadap total PM2.5 kabupaten.
Tren secara keseluruhan menunjukkan bahwa kualitas udara tidak stabil antar bulan, ada periode dengan polusi tinggi (puncak) dan periode lebih rendah (lembah).

Dot Plot

Adalah jenis grafik yang menampilkan data dalam bentuk titik-titik pada sumbu koordinat. Setiap titik mewakili suatu nilai untuk kategori tertentu. Grafik ini sederhana dan efektif untuk membandingkan nilai antar kategori atau kelompok, karena posisi titik memudahkan kita melihat perbedaan maupun kesamaan secara jelas.

library(ggplot2)
library(dplyr)
library(tidyr)

# Simulasi data kualitas air laut
set.seed(123)
data_pantai <- data.frame(
  Pantai = c("Pantai Menganti", "Pantai Lampon", "Pantai Suwuk", "Pantai Ayah"),
  Salinitas = c(32, 34, 30, 33),
  pH = c(8.1, 8.3, 7.9, 8.2),
  DO = c(6.5, 7.0, 6.0, 6.8),       # Dissolved Oxygen
  Nitrat = c(2.0, 1.5, 2.5, 1.8)
)

# Ubah ke format long
data_long <- data_pantai %>%
  pivot_longer(cols = -Pantai, names_to = "Indikator", values_to = "Nilai")

# Plot Dot Plot
ggplot(data_long, aes(x = Nilai, y = Pantai, color = Indikator)) +
  geom_point(size = 4) +
  theme_minimal() +
  labs(title = "Dot Plot Kualitas Air Laut per Pantai",
       x = "Nilai", y = "Pantai", color = "Indikator") +
  theme(
    axis.text.y = element_text(size = 10),
    plot.title = element_text(hjust = 0.5, face = "bold")
  )

Interpretasi :

Salinitas (ungu)

Rentangnya 30–34 ppt, relatif stabil di semua pantai.
Pantai Lampon memiliki salinitas tertinggi (34 ppt), sedangkan Pantai Suwuk yang terendah (30 ppt).
Hal ini menunjukkan variasi kecil, tapi konsistensi cukup baik untuk ekosistem laut.

pH (biru)

Nilai berkisar 7.9–8.3, masih dalam kisaran normal air laut.
Pantai Lampon punya pH tertinggi (8.3), sementara Pantai Suwuk lebih rendah (7.9).
Secara umum, pH semua pantai mendukung kehidupan biota laut.

DO – Dissolved Oxygen (merah muda)

DO antara 6.0–7.0 mg/L.
Pantai Lampon lagi-lagi unggul dengan oksigen terlarut tertinggi (7.0).
Pantai Suwuk punya DO terendah (6.0), yang bisa mengindikasikan kualitas air kurang optimal dibanding pantai lain.

Nitrat (hijau)

Nilai relatif rendah (1.5–2.5 mg/L).
Pantai Suwuk paling tinggi (2.5), yang bisa menunjukkan adanya masukan nutrien lebih besar (mungkin dari aktivitas daratan).
Pantai Lampon justru paling rendah (1.5), menandakan perairannya lebih bersih dari beban nutrien berlebih.

Kesimpulan :

Pantai Lampon tampak paling unggul secara kualitas: salinitas tinggi tapi stabil, pH netral-alkalin, DO tinggi, nitrat rendah → cocok untuk ekosistem laut sehat.
Pantai Suwuk salinitas rendah, pH paling asam, DO rendah, nitrat tinggi → ada indikasi tekanan lingkungan lebih besar.
Pantai Menganti dan Ayah berada di tengah-tengah, kualitas cukup baik namun tidak sebaik Lampon

Visualisasi Data Geojson Kebumen

Khafifah Shofi Aulia

2025-09-23

Choropleth map

Stacked Area Chart

Dot Plot