Visualisasi Data Geojson
2004220011_Aqila
2025-09-23
library(sf)## Linking to GEOS 3.13.1, GDAL 3.11.0, PROJ 9.6.0; sf_use_s2() is TRUElibrary(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, unionlibrary(scales)
library(tibble)# Baca shapefile
peta <- st_read("C:/Users/HP/Downloads/32.03_kecamatan.geojson")## Reading layer `32.03_kecamatan' from data source
## `C:\Users\HP\Downloads\32.03_kecamatan.geojson' using driver `GeoJSON'
## Simple feature collection with 32 features and 4 fields
## Geometry type: MULTIPOLYGON
## Dimension: XYZ
## Bounding box: xmin: 106.776 ymin: -7.505205 xmax: 107.4848 ymax: -6.602203
## z_range: zmin: 0 zmax: 0
## Geodetic CRS: WGS 84peta## Simple feature collection with 32 features and 4 fields
## Geometry type: MULTIPOLYGON
## Dimension: XYZ
## Bounding box: xmin: 106.776 ymin: -7.505205 xmax: 107.4848 ymax: -6.602203
## z_range: zmin: 0 zmax: 0
## Geodetic CRS: WGS 84
## First 10 features:
## kd_propinsi kd_dati2 kd_kecamatan nm_kecamatan
## 1 32 03 001 Cianjur
## 2 32 03 002 Warungkondang
## 3 32 03 003 Cibeber
## 4 32 03 004 Cilaku
## 5 32 03 005 Ciranjang
## 6 32 03 006 Bojongpicung
## 7 32 03 007 Karangtengah
## 8 32 03 008 Mande
## 9 32 03 009 Sukaluyu
## 10 32 03 010 Pacet
## geometry
## 1 MULTIPOLYGON Z (((107.1268 ...
## 2 MULTIPOLYGON Z (((107.0884 ...
## 3 MULTIPOLYGON Z (((107.1299 ...
## 4 MULTIPOLYGON Z (((107.1876 ...
## 5 MULTIPOLYGON Z (((107.2621 ...
## 6 MULTIPOLYGON Z (((107.2552 ...
## 7 MULTIPOLYGON Z (((107.1787 ...
## 8 MULTIPOLYGON Z (((107.1506 ...
## 9 MULTIPOLYGON Z (((107.2208 ...
## 10 MULTIPOLYGON Z (((107.0747 ...# Simulasi data PM2.5 untuk tiap kecamatan
set.seed(100)
data <- data.frame(
Kecamatan = peta$nm_kecamatan, # kolom nama kecamatan
PM25 = sample(20:90, length(peta$nm_kecamatan), replace = TRUE)
)
data## Kecamatan PM25
## 1 Cianjur 42
## 2 Warungkondang 89
## 3 Cibeber 23
## 4 Cilaku 74
## 5 Ciranjang 89
## 6 Bojongpicung 26
## 7 Karangtengah 26
## 8 Mande 74
## 9 Sukaluyu 62
## 10 Pacet 80
## 11 Cugenang 31
## 12 Cikalongkulon 70
## 13 Sukaresmi 37
## 14 Sukanagara 44
## 15 Campaka 21
## 16 Takokak 70
## 17 Kadupandak 87
## 18 Pagelaran 87
## 19 Tanggeung 71
## 20 Cibinong 67
## 21 Sindangbarang 51
## 22 Agrabinta 58
## 23 Cidaun 35
## 24 Naringgul 85
## 25 Campakamulya 89
## 26 Cikadu 64
## 27 Gekbrong 49
## 28 Cipanas 49
## 29 Cijati 48
## 30 Leles 50
## 31 Haurwangi 73
## 32 Pasirkuda 60# Gabungkan data dengan peta
peta_data <- left_join(peta, data, by=c("nm_kecamatan"="Kecamatan"))peta_data## Simple feature collection with 32 features and 5 fields
## Geometry type: MULTIPOLYGON
## Dimension: XYZ
## Bounding box: xmin: 106.776 ymin: -7.505205 xmax: 107.4848 ymax: -6.602203
## z_range: zmin: 0 zmax: 0
## Geodetic CRS: WGS 84
## First 10 features:
## kd_propinsi kd_dati2 kd_kecamatan nm_kecamatan PM25
## 1 32 03 001 Cianjur 42
## 2 32 03 002 Warungkondang 89
## 3 32 03 003 Cibeber 23
## 4 32 03 004 Cilaku 74
## 5 32 03 005 Ciranjang 89
## 6 32 03 006 Bojongpicung 26
## 7 32 03 007 Karangtengah 26
## 8 32 03 008 Mande 74
## 9 32 03 009 Sukaluyu 62
## 10 32 03 010 Pacet 80
## geometry
## 1 MULTIPOLYGON Z (((107.1268 ...
## 2 MULTIPOLYGON Z (((107.0884 ...
## 3 MULTIPOLYGON Z (((107.1299 ...
## 4 MULTIPOLYGON Z (((107.1876 ...
## 5 MULTIPOLYGON Z (((107.2621 ...
## 6 MULTIPOLYGON Z (((107.2552 ...
## 7 MULTIPOLYGON Z (((107.1787 ...
## 8 MULTIPOLYGON Z (((107.1506 ...
## 9 MULTIPOLYGON Z (((107.2208 ...
## 10 MULTIPOLYGON Z (((107.0747 ...1. Choropleth Map
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 = 2, color = "white") +
scale_fill_gradient(low="pink", high="navy", name="PM2.5") +
theme_minimal() +
labs(title="Choropleth Map PM2.5 - Kabupaten Cianjur")## 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 ungu tua = PM2.5 lebih tinggi Warna pink = lebih rendah. Terlihat ada kantong nilai tinggi di bagian tengah–selatan dan sebagian utara, sedangkan bagian tenggara lebih rendah. Artinya, udara berpotensi lebih kotor di area yang berwarna ungu tua dibanding yang pink.
Kesimpulan: Peta menunjukkan pola PM2.5 yang tidak merata: konsentrasi lebih tinggi terkumpul di tengah–selatan dan sebagian utara, sementara tenggara relatif lebih rendah. Area berwarna ungu tua sebaiknya jadi prioritas pemantauan dan mitigasi (cek sumber seperti lalu lintas, industri, atau pembakaran).
2. Lollipop Chart
Lollipop chart adalah grafik perbandingan kategori dimana titik mewakili nilai dan garis tipis menghubungkan titik ke sumbu, dan lebih ringkas untuk menonjolkan peringkat dan gap antar kategori.
rank_df <- peta_data %>%
st_drop_geometry() %>%
arrange(desc(PM25)) %>%
mutate(nm = factor(nm_kecamatan, levels = rev(nm_kecamatan)))
ggplot(rank_df, aes(x = PM25, y = nm)) +
geom_segment(aes(x = 0, xend = PM25, y = nm, yend = nm), linewidth = 0.5, color = "red") +
geom_point(size = 3, color = "orange") +
labs(title = "Lollipop Chart Ranking PM2.5 per Kecamatan",
x = "PM2.5 (µg/m³)", y = NULL,
subtitle = "Menonjolkan urutan & gap antar kecamatan") +
theme_minimal(base_size = 11)
Interpretasi: - Fungsi grafik: mengurutkan kecamatan dari PM2.5 terendah (bawah) ke tertinggi (atas). Titik oranye = nilai tiap kecamatan; garis merah memudahkan melihat gap antar nilai.
Rentang nilai: kira-kira ~25 s.d. ~90 µg/m³. Ada kelompok rendah (~25–35), mayoritas menengah (~50–70), dan puncak tinggi (~80–90) yang tampak sebagai hotspot.
Pola gap: terlihat loncatan sekitar 60–65 µg/m³—menandakan pemisahan antara kelompok menengah dan tinggi (prioritas pantau).
Implikasi cepat: kecamatan di ujung kanan (titik paling jauh) jadi prioritas mitigasi/pemantauan dibanding yang di kiri.
Kesimpulan: Sebaran PM2.5 antarkecamatan tidak merata dan membentuk tiga klaster: rendah (~25–35), menengah (~50–70), dan tinggi (~80–90). Terdapat loncatan di kisaran 60–65 µg/m³ yang memisahkan kelompok menengah dan tinggi; karenanya kecamatan di atas ambang ini (terutama yang di ujung kanan) layak jadi prioritas pemantauan/mitigasi. Kecamatan dengan nilai rendah dapat dijadikan pembanding (baseline).
3. Donut Chart
Donut chart adalah versi pie chart dengan bagian tengah berlubang. Dipakai untuk menampilkan proporsi/komposisi kategori terhadap keseluruhan, biasanya dengan persentase pada tiap irisan.
# Contoh data WQI per curug
curug <- tribble(
~curug, ~WQI,
"Citambur", 82,
"Cikondang", 74,
"Ngebul", 68,
"Luhur", 56,
"Cibeureum", 79,
"Ciismun", 85
)
# Kategorisasi WQI (contoh umum): ≥80 Baik; 60–79 Sedang; ≤59 Buruk
sumcat <- curug %>%
mutate(kategori = case_when(
WQI >= 80 ~ "Baik",
WQI >= 60 ~ "Sedang",
TRUE ~ "Buruk"
)) %>%
count(kategori) %>%
mutate(prop = n / sum(n))
# Donut chart
ggplot(sumcat, aes(x = 2, y = prop, fill = kategori)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y") +
xlim(0.5, 2.5) + # bikin lubang donut
geom_text(aes(label = percent(prop, 1)),
position = position_stack(vjust = 0.5),
color = "white", size = 4) +
labs(
title = "Donut Chart: Kategori Kualitas Air Curug di Cianjur",
subtitle = "Contoh WQI: ≥80 Baik, 60–79 Sedang, ≤59 Buruk",
fill = "Kategori"
) +
theme_void() +
theme(legend.position = "bottom")
Interpretasi: - Sedang: 50% → setengah curug kualitas airnya cukup, perlu monitoring rutin.
Baik: 33% → sepertiga curug relatif aman/layak rekreasi, tetap dijaga agar tidak menurun.
Buruk: 17% → sebagian kecil menjadi prioritas perbaikan (telusuri sumber polutan, kelola sampah/jalur pengunjung).
Kesimpulan: Komposisi kualitas air curug Cianjur didominasi kategori Sedang (50%), disusul Baik (33%) dan Buruk (17%). Lokasi Buruk perlu jadi prioritas pemulihan (telusuri sumber polutan, bersih-bersih rutin, edukasi pengunjung). Lokasi Sedang butuh peningkatan bertahap agar naik ke Baik, sementara lokasi Baik dijaga konsistensinya melalui monitoring berkala.