Persiapan Data & Konversi

# IMPOR DATA 
ihk.statis.2 <- read.csv("C:/Users/User/Downloads/ihk statis 2.csv", sep=";")

# DEFINISI & KONVERSI data_ihk
data_ihk <- ihk.statis.2
data_ihk$NILAI <- as.numeric(gsub(",", ".", data_ihk$NILAI))
data_ihk$KOTA <- as.factor(data_ihk$KOTA)
data_ihk$BULAN <- as.factor(data_ihk$BULAN)
data_ihk$KATEGORI <- as.factor(data_ihk$KATEGORI)

Analisis Deskriptif IHK (5 Kategori)

1. Analisis Deskriptif IHK

# Tampilkan Statistik Deskriptif
summary(data_ihk$NILAI)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   100.0   104.4   115.0   114.8   120.8   155.8

Interpretasi:

Rentang Data: Nilai IHK tersebar dari yang terendah 100.0 (Min.) hingga yang tertinggi 155.8 (Max.).
Nilai Tengah: Nilai rata-rata (Mean) IHK adalah 114.8, yang sangat dekat dengan nilai median (nilai tengah) yaitu 115.0. Ini mengindikasikan bahwa sebaran data IHK secara keseluruhan cukup simetris.
Sebaran: 50% dari data (Interquartile Range) berada di antara 104.4 (Kuartil 1) dan 120.8 (Kuartil 3).

2. Perbandingan Antar Kota

# Hitung rata-rata IHK tahunan untuk setiap kota
rata_rata_kota <- aggregate(NILAI ~ KOTA, data = data_ihk, FUN = mean)
rata_rata_kota <- rata_rata_kota[order(rata_rata_kota$NILAI, decreasing = TRUE), ]

# Tampilkan data terurut
print(rata_rata_kota)

##         KOTA    NILAI
## 7   SURABAYA 122.4803
## 8  TANGERANG 121.8238
## 9 YOGYAKARTA 116.7532
## 6   SEMARANG 116.6390
## 5    JAKARTA 112.9215
## 4      DEPOK 112.6440
## 3      BOGOR 111.9278
## 2     BEKASI 110.5642
## 1    BANDUNG 107.7007

# BAR CHART DAN LABEL
posisi_bar <- barplot(rata_rata_kota$NILAI,
                      names.arg = rata_rata_kota$KOTA,
                      main = "Perbandingan Rata-Rata IHK Antar Kota Tahun 2023",
                      ylab = "Rata-Rata IHK (NILAI)",
                      col = "coral",
                      las = 2,
                      ylim = c(0, max(rata_rata_kota$NILAI) * 1.1))

# Label Angka
text(x = posisi_bar, 
     y = rata_rata_kota$NILAI,
     labels = round(rata_rata_kota$NILAI, 2), 
     pos = 3,
     cex = 0.8)

Interpretasi:

IHK Tertinggi: Kota Surabaya mencatat rata-rata IHK tertinggi dengan nilai 122.48, diikuti tipis oleh Tangerang (121.82).
IHK Terendah: Kota Bandung memiliki rata-rata IHK terendah secara signifikan dibandingkan kota-kota lain, dengan nilai 107.70.
Terdapat variasi IHK yang cukup terlihat antar kota, yang menunjukkan perbedaan tingkat inflasi atau biaya hidup regional.

3. Tren Bulanan

# Agar urutan bulan benar
bulan_terurut <- c("JANUARI", "FEBRUARI", "MARET", "APRIL", "MEI", "JUNI", "JULI", "AGUSTUS", "SEPTEMBER", "OKTOBER", "NOVEMBER", "DESEMBER")
data_ihk$BULAN <- factor(data_ihk$BULAN, levels = bulan_terurut)

# Hitung rata-rata IHK per Bulan
rata_rata_bulanan <- aggregate(NILAI ~ BULAN, data = data_ihk, FUN = mean)

# Tampilkan data terurut
print(rata_rata_bulanan)

##        BULAN    NILAI
## 1    JANUARI 113.3722
## 2   FEBRUARI 113.8149
## 3      MARET 113.9209
## 4      APRIL 114.3864
## 5        MEI 114.4762
## 6       JUNI 114.8413
## 7       JULI 115.1020
## 8    AGUSTUS 115.2622
## 9  SEPTEMBER 115.4453
## 10   OKTOBER 115.6482
## 11  NOVEMBER 115.7689
## 12  DESEMBER 115.9007

# Buat Line Chart (Grafik Garis)
plot(rata_rata_bulanan$NILAI, 
     type = "o",
     main = "Tren Rata-Rata IHK Bulanan Tahun 2023",
     xlab = "Bulan",
     ylab = "Rata-Rata IHK (NILAI)",
     xaxt = "n",
     col = "blue",
     lwd = 2)

# Tambahkan Label Bulan di Sumbu X
axis(side = 1,
     at = 1:nrow(rata_rata_bulanan), 
     labels = rata_rata_bulanan$BULAN,
     las = 2,
     cex.axis = 0.8)

# Tambahkan Nilai Angka pada setiap Titik
text(x = 1:nrow(rata_rata_bulanan),
     y = rata_rata_bulanan$NILAI,
     labels = round(rata_rata_bulanan$NILAI, 2),
     pos = 3,
     cex = 0.7,
     col = "black")

Interpretasi:

Tren Utama: Grafik garis menunjukkan tren kenaikan yang konsisten dari awal hingga akhir tahun.
Pergerakan: Rata-rata IHK dimulai dari titik terendah pada bulan Januari (113.37) dan terus meningkat secara bertahap, mencapai titik tertingginya pada bulan Desember (115.90).
Data ini mengindikasikan terjadinya inflasi secara stabil sepanjang tahun 2023.

4. Perbandingan Antar Kategori

rata_rata_kategori <- aggregate(NILAI ~ KATEGORI, data = data_ihk, FUN = mean)
rata_rata_kategori <- rata_rata_kategori[order(rata_rata_kategori$NILAI, decreasing = TRUE), ]

# Tampilkan data terurut
print(rata_rata_kategori)

##       KATEGORI    NILAI
## 3       PRODUK 119.4965
## 5  RAWAT JALAN 119.0609
## 1 JASA LAINNYA 115.5220
## 2    KESEHATAN 114.8223
## 4   RAWAT INAP 105.2396

# Bar Chart Perbandingan Kategori
posisi_bar_kategori <- barplot(rata_rata_kategori$NILAI,
                               names.arg = rata_rata_kategori$KATEGORI,
                               main = "Perbandingan Rata-Rata IHK Antar 5 Kategori Tahun 2023",
                               ylab = "Rata-Rata IHK (NILAI)",
                               col = "coral",
                               las = 2,
                               ylim = c(0, max(rata_rata_kategori$NILAI) * 1.1))

# Label Angka
text(x = posisi_bar_kategori,
     y = rata_rata_kategori$NILAI,
     labels = round(rata_rata_kategori$NILAI, 2),
     pos = 3,
     cex = 0.8)

Interpretasi:

Kategori Tertinggi : Kategori “PRODUK” memiliki rata-rata IHK tertinggi (119.50), diikuti sangat dekat oleh “RAWAT JALAN” (119.06).

Kategori Terendah : Kategori “RAWAT INAP” memiliki rata-rata IHK terendah dengan perbedaan yang cukup jauh dari kategori lainnya, yaitu 105.24.

Kenaikan harga (IHK) tidak merata di semua sektor. Kategori “PRODUK” dan “RAWAT JALAN” mengalami rata-rata IHK yang paling tinggi, sementara “RAWAT INAP” secara rata-rata jauh lebih rendah.

Kategori Tertinggi: Kategori “PRODUK” memiliki rata-rata IHK tertinggi (119.50), diikuti sangat dekat oleh “RAWAT JALAN” (119.06).
Kategori Terendah: Kategori “RAWAT INAP” memiliki rata-rata IHK terendah dengan perbedaan yang cukup jauh dari kategori lainnya, yaitu 105.24.
Kenaikan harga (IHK) tidak merata di semua sektor.