Pertemuan 1-Visualisasi Data Spasial dengan R
Athaya Fairuzindah
2025-11-03
PENDAHULUAN
Latar Belakang
Indonesia merupakan negara yang terletak pada pertemuan tiga lempeng tektonik utama dunia, sehingga memiliki tingkat kerawanan tinggi terhadap bencana gempa bumi (Kementerian ESDM, 2020; Sianipar et al., 2019). Provinsi Banten, sebagai wilayah yang berbatasan langsung dengan Samudra Hindia, tercatat mengalami aktivitas seismik yang sangat signifikan (BMKG, 2024a). Sepanjang tahun 2024, BMKG mencatat sebanyak 2.063 kejadian gempa tektonik di wilayah Provinsi Banten, meningkat 24 persen dibandingkan tahun sebelumnya (BMKG, 2024b). Tingginya frekuensi kejadian gempa bumi ini menuntut adanya sistem pemantauan dan analisis yang komprehensif untuk memahami pola distribusi spasial dan memfasilitasi pengambilan keputusan yang lebih cerdas dalam konteks mitigasi dan kesiapsiagaan bencana (Sutanta et al., 2016; Triyoso & Triastuty, 2015).
Sistem Informasi Geografis (GIS) telah menjadi alat analitik yang vital dalam mengolah dan menganalisis data spasial kebencanaan (Aldrian et al., 2011). Analisis spasial GIS merupakan proses pemeriksaan pola, hubungan, dan tren spasial yang memungkinkan pengkajian distribusi kejadian gempa bumi, identifikasi zona rawan bencana, serta penyusunan strategi mitigasi yang tepat (Goodchild, 2011; Kamnev & van Genuchten, 2015). Perkembangan teknologi SIG yang pesat telah mendorong pengembangan perangkat lunak sumber terbuka seperti R, sebuah bahasa pemrograman statistika yang dilengkapi berbagai package untuk analisis dan visualisasi data spasial (Bivand et al., 2013; R Core Team, 2024). Package sf (Simple Features) dalam R menyediakan cara terstandarisasi untuk mengenkode dan menganalisis data spasial vektor (Pebesma, 2018), sementara package ggplot2 dengan fungsi geom_sf() memungkinkan pembuatan visualisasi peta yang informatif dengan mengintegrasikan batas administrasi wilayah, titik-titik kejadian gempa, serta atribut-atribut seperti magnitudo dan kedalaman gempa (Wickham, 2016; Wickham et al., 2024).
Dalam praktik analisis data spasial gempa bumi di Provinsi Banten, penggunaan package sf untuk membaca data shapefile batas administrasi kabupaten/kota serta data CSV kejadian gempa menjadi langkah fundamental (Bivand et al., 2013; Pebesma & Bivand, 2023). Proses konversi data gempa yang mengandung koordinat geografis menjadi objek spasial memungkinkan integrasi data gempa dengan data batas administrasi wilayah (Goodchild & Janelle, 2004). Visualisasi yang dihasilkan tidak hanya menampilkan distribusi spasial kejadian gempa, tetapi juga dapat menyajikan informasi tambahan seperti gradasi warna untuk kedalaman gempa dan ukuran simbol untuk magnitudo gempa (Kraak & Ormeling, 2010; Slocum et al., 2009). Dengan demikian, para perencana wilayah, pembuat kebijakan, dan masyarakat umum dapat memahami sebaran area yang berpotensi terkena dampak gempa untuk perencanaan penggunaan lahan dan penyiapan infrastruktur yang tahan gempa (Birkmann & Teichman, 2010; Paton & Johnston, 2006).
Penelitian ini berfokus pada visualisasi data spasial gempa bumi di Provinsi Banten tahun 2024 menggunakan R dengan package sf dan ggplot2. Melalui visualisasi distribusi spasial epicenter gempa beserta atribut-atributnya, diharapkan dapat memberikan gambaran komprehensif mengenai karakteristik seismik wilayah Banten dan menjadi sumber informasi yang bermanfaat bagi masyarakat serta bahan acuan bagi penentu kebijakan dalam pengambilan keputusan terkait mitigasi risiko bencana gempa bumi di Provinsi Banten (BMKG, 2024a; Sianipar et al., 2019).
Rumusan Masalah
Adapun rumusan penelitian ini adalah sebagai berikut:
Bagaimana cara membuat peta dengan paket pemrograman R?
Bagaimana cara membuat peta dengan data titik spasial pada R?
Tujuan Penelitian
Adapun tujuan penelitian ini adalah sebagai berikut:
Mahasiswa dapat membuat peta dengan paket pemrograman R
Mahasiswa dapat membuat peta dengan data titik spasial pada R
Batasan Masalah
Adapun batasan masalah penelitian ini adalah sebagai berikut:
Buatlah peta epicenter gempa bumi di Indonesia pada tahun 2024 (gunakan packages R yang dianggap gampang, setiap praktikan menggambarkan peta provinsi yang berbeda).
Buatlah peta semua provinsi di Indonesia dengan memberikan warna yang berbeda pada setiap kab/kota (setiap praktikan membuat peta provinsi yang berbeda).
HASIL DAN PEMBAHASAN
Adapun hasil dan pembahasan batasan masalah penelitian ini adalah sebagai berikut:
Input Data
Melakukan input data file shp seluruh kabupaten/kota di Indonesia dengan menggunakan library sf
library(sf)## Linking to GEOS 3.13.1, GDAL 3.11.0, PROJ 9.6.0; sf_use_s2() is TRUEsetwd("E:/Documents/SEMESTER 7/SPASIAL/PRAKTIKUM/Banten")
indonesia_shp<-st_read("LapakGIS_Batas_Kabupaten_2024.shp")## Reading layer `LapakGIS_Batas_Kabupaten_2024' from data source
## `E:\Documents\SEMESTER 7\SPASIAL\PRAKTIKUM\Banten\LapakGIS_Batas_Kabupaten_2024.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 533 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 94.97191 ymin: -11.00762 xmax: 141.02 ymax: 6.076832
## Geodetic CRS: WGS 84head(indonesia_shp)## Simple feature collection with 6 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 98.12357 ymin: -7.578155 xmax: 129.1416 ymax: 2.149191
## Geodetic CRS: WGS 84
## KDPKAB KDPPUM WADMKK WADMPR
## 1 <NA> <NA> <NA> <NA>
## 2 <NA> <NA> <NA> Jawa Timur
## 3 <NA> 13 <NA> Sumatera Barat
## 4 <NA> 61 <NA> Kalimantan Barat
## 5 <NA> 81 <NA> Maluku
## 6 <NA> 82 <NA> Maluku Utara
## METADATA UPDATED
## 1 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 2 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 3 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 4 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 5 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 6 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## geometry
## 1 MULTIPOLYGON (((98.17921 2....
## 2 MULTIPOLYGON (((112.8793 -7...
## 3 MULTIPOLYGON (((100.3296 -1...
## 4 MULTIPOLYGON (((109.252 -0....
## 5 MULTIPOLYGON (((127.4581 -5...
## 6 MULTIPOLYGON (((127.9225 0....Pemilihan Provinsi Penelitian
Melakukan pemilihan provinsi yang akan dilakukan penelitian. Di mana pada penelitian kali ini menggunakan Provinsi Banten.
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, unionProvinsi_target <- "Banten"
banten_shp <- indonesia_shp |>
filter(WADMPR == Provinsi_target )
head(banten_shp)## Simple feature collection with 6 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 105.0999 ymin: -7.016281 xmax: 106.7486 ymax: -5.807588
## Geodetic CRS: WGS 84
## KDPKAB KDPPUM WADMKK WADMPR METADATA
## 1 36.01 36 Pandeglang Banten TASWIL1000020230928_DATA_BATAS_KABUPATEN
## 2 36.02 36 Lebak Banten TASWIL1000020230928_DATA_BATAS_KABUPATEN
## 3 36.03 36 Tangerang Banten TASWIL1000020230928_DATA_BATAS_KABUPATEN
## 4 36.04 36 Serang Banten TASWIL1000020230928_DATA_BATAS_KABUPATEN
## 5 36.71 36 Kota Tangerang Banten TASWIL1000020230928_DATA_BATAS_KABUPATEN
## 6 36.72 36 Kota Cilegon Banten TASWIL1000020230928_DATA_BATAS_KABUPATEN
## UPDATED geometry
## 1 Lapak GIS - 2024 MULTIPOLYGON (((105.5499 -6...
## 2 Lapak GIS - 2024 MULTIPOLYGON (((106.3499 -6...
## 3 Lapak GIS - 2024 MULTIPOLYGON (((106.6476 -6...
## 4 Lapak GIS - 2024 MULTIPOLYGON (((105.8523 -6...
## 5 Lapak GIS - 2024 MULTIPOLYGON (((106.6886 -6...
## 6 Lapak GIS - 2024 MULTIPOLYGON (((105.9281 -6...BATASAN MASALAH 1
Buatlah peta epicenter gempa bumi di Indonesia pada tahun 2024 (gunakan packages R yang dianggap gampang, setiap praktikan menggambarkan peta provinsi yang berbeda)
Input Data Gempa
Melakukan input data gempa dengan format CSV sebagai berikut:
setwd("E:/Documents/SEMESTER 7/SPASIAL/PRAKTIKUM")
data <- read.csv("GempaBanten.csv")
head(data)## time latitude longitude depth mag magType nst gap dmin
## 1 2024-12-20T18:22:39.340Z -6.4479 105.0901 54.956 5.0 mww 145 41 2.734
## 2 2024-09-16T22:50:48.232Z -6.9882 105.4400 51.748 4.3 mb 23 132 2.243
## 3 2024-09-16T21:46:25.680Z -6.9441 106.0941 31.155 4.3 mb 28 63 1.627
## 4 2024-08-24T03:32:00.974Z -6.5740 105.1914 49.145 4.8 mb 52 68 2.595
## 5 2024-03-30T01:37:36.208Z -6.1853 105.0431 66.540 4.3 mb 29 131 2.758
## 6 2024-03-23T07:29:09.483Z -6.8336 105.2556 40.974 4.6 mb 32 179 2.457
## rms net id updated
## 1 0.93 us us7000p0fh 2025-02-27T17:30:53.040Z
## 2 1.12 us us7000ng9n 2024-11-23T23:27:40.040Z
## 3 0.38 us us7000ng9k 2024-11-23T23:27:39.040Z
## 4 0.84 us us7000n94y 2024-11-02T21:28:58.040Z
## 5 0.60 us us7000ma5g 2024-06-01T21:55:51.040Z
## 6 0.43 us us7000m8b6 2024-05-27T14:19:24.040Z
## place type horizontalError depthError
## 1 82 km W of Labuan, Indonesia earthquake 7.33 4.696
## 2 80 km SSW of Labuan, Indonesia earthquake 8.40 6.808
## 3 50 km W of Pelabuhanratu, Indonesia earthquake 8.82 4.652
## 4 73 km WSW of Labuan, Indonesia earthquake 10.69 6.478
## 5 87 km SSW of Bandar Lampung, Indonesia earthquake 5.49 7.238
## 6 81 km SW of Labuan, Indonesia earthquake 5.96 9.448
## magError magNst status locationSource magSource
## 1 0.103 9 reviewed us us
## 2 0.168 10 reviewed us us
## 3 0.119 20 reviewed us us
## 4 0.083 46 reviewed us us
## 5 0.189 12 reviewed us us
## 6 0.119 21 reviewed us usKonversi menjadi data spasial (sf)
Melakukan konversi mernjadi data spasial dengan menggunakan sintaks st_as_sf.
gempa_sf <- st_as_sf(data, coords = c("longitude", "latitude"), crs = 4326)
head(gempa_sf)## Simple feature collection with 6 features and 20 fields
## Geometry type: POINT
## Dimension: XY
## Bounding box: xmin: 105.0431 ymin: -6.9882 xmax: 106.0941 ymax: -6.1853
## Geodetic CRS: WGS 84
## time depth mag magType nst gap dmin rms net id
## 1 2024-12-20T18:22:39.340Z 54.956 5.0 mww 145 41 2.734 0.93 us us7000p0fh
## 2 2024-09-16T22:50:48.232Z 51.748 4.3 mb 23 132 2.243 1.12 us us7000ng9n
## 3 2024-09-16T21:46:25.680Z 31.155 4.3 mb 28 63 1.627 0.38 us us7000ng9k
## 4 2024-08-24T03:32:00.974Z 49.145 4.8 mb 52 68 2.595 0.84 us us7000n94y
## 5 2024-03-30T01:37:36.208Z 66.540 4.3 mb 29 131 2.758 0.60 us us7000ma5g
## 6 2024-03-23T07:29:09.483Z 40.974 4.6 mb 32 179 2.457 0.43 us us7000m8b6
## updated place type
## 1 2025-02-27T17:30:53.040Z 82 km W of Labuan, Indonesia earthquake
## 2 2024-11-23T23:27:40.040Z 80 km SSW of Labuan, Indonesia earthquake
## 3 2024-11-23T23:27:39.040Z 50 km W of Pelabuhanratu, Indonesia earthquake
## 4 2024-11-02T21:28:58.040Z 73 km WSW of Labuan, Indonesia earthquake
## 5 2024-06-01T21:55:51.040Z 87 km SSW of Bandar Lampung, Indonesia earthquake
## 6 2024-05-27T14:19:24.040Z 81 km SW of Labuan, Indonesia earthquake
## horizontalError depthError magError magNst status locationSource magSource
## 1 7.33 4.696 0.103 9 reviewed us us
## 2 8.40 6.808 0.168 10 reviewed us us
## 3 8.82 4.652 0.119 20 reviewed us us
## 4 10.69 6.478 0.083 46 reviewed us us
## 5 5.49 7.238 0.189 12 reviewed us us
## 6 5.96 9.448 0.119 21 reviewed us us
## geometry
## 1 POINT (105.0901 -6.4479)
## 2 POINT (105.44 -6.9882)
## 3 POINT (106.0941 -6.9441)
## 4 POINT (105.1914 -6.574)
## 5 POINT (105.0431 -6.1853)
## 6 POINT (105.2556 -6.8336)Pemetaan Gempa Di Provinsi Banten
Berikut merupakan pemetaan gempa di Provinsi Banten dengan berdasarkan kedalaman dan magnitudo (tanpa melihat batas kabupaten/kota):
library(ggplot2)
library(viridis)## Loading required package: viridisLiteggplot(banten_shp) +
geom_sf(fill = "#ADD8E6", color = "black", size = 0.3) +
geom_sf(data = gempa_sf, aes(size = mag, color = depth), alpha = 0.7) +
guides(fill = "none") +
scale_color_viridis(option = "plasma", name = "Kedalaman (km)") +
scale_size_continuous(name = "Magnitudo", range = c(2, 6)) +
labs(title = "Sebaran Gempa Utama di Provinsi Banten Tahun 2024",
subtitle = "Sumber: USGS",
x = "Longitude", y = "Latitude",
caption = "Visualisasi: ggplot2 + sf") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 14),
legend.position = "right")
Peta gempa Banten menunjukkan bahwa aktivitas gempa tidak merata. Terdapat beberapa konsentrasi yang jelas di beberapa zona. Gempa berkekuatan tinggi (4.6-5.0) cenderung terpusat di selatan Banten, tepatnya di zona subduksi lempeng di Samudra Hindia. Sebaliknya, gempa berkekuatan rendah (4.4) tersebar di utara dan tengah. Kedalaman gempa juga bervariasi. Gempa di utara cenderung tidak dalam, sementara di selatan jauh lebih dalam di mana bisa mencapai 40-50 km. Berdasarkan visualisasi ini didapatkan bahwa Banten selatan memiliki aktivitas tektonik yang tinggi. Oleh karena itu, wilayah ini memerlukan strategi mitigasi bencana yang spesifik untuk meminimalkan risiko.
BATASAN MASALAH 2
Buatlah peta semua provinsi di Indonesia dengan memberikan warna yang berbeda pada setiap kab/kota (setiap praktikan membuat peta provinsi yang berbeda).
library(ggplot2)
library(viridis)
ggplot(banten_shp) +
geom_sf(aes(fill = WADMKK), color = "black", size = 0.3) +
scale_color_viridis(option = "plasma", name = "Kabupaten/Kota") +
labs(title = "Batas Administrasi Provinsi Banten",
subtitle = "Tahun 2024",
x = "Longitude", y = "Latitude",
caption = "Visualisasi: ggplot2 + sf") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 14),
legend.position = "right")
Peta batas administrasi Provinsi Banten tahun 2024 menunjukkan pembagian wilayah administratif yang terdiri dari delapan unit administratif utama, yaitu Kota Cilegon (warna merah), Kota Serang (warna cokelat), Kota Tangerang (warna hijau), Kota Tangerang Selatan (warna hijau terang), Kabupaten Lebak (warna biru), Kabupaten Pandeglang (warna cyan/turquoise), Kabupaten Serang (warna ungu), dan Kabupaten Tangerang (warna magenta), dengan masing-masing wilayah memiliki batas administratif yang jelas dan warna yang berbeda untuk memudahkan identifikasi dan diferensiasi spasial. Dari aspek geografis, wilayah barat dan selatan yang didominasi oleh Kabupaten Lebak, Kabupaten Pandeglang, dan sebagian Kabupaten Serang menempati area yang lebih luas dengan karakteristik topografi yang beragam, sementara wilayah utara dan timur didominasi oleh kota-kota administratif yang lebih kecil luasannya namun lebih padat penduduk. Visualisasi ini menyediakan kerangka referensi spasial yang sangat penting untuk analisis lebih lanjut, khususnya ketika diintegrasikan dengan data gempa bumi yang telah ditampilkan sebelumnya, sehingga memungkinkan identifikasi hubungan antara sebaran gempa dan kerawanan bencana di setiap unit administrasi, serta memfasilitasi perencanaan strategi mitigasi bencana yang disesuaikan dengan karakteristik dan kapasitas setiap wilayah administratif di Provinsi Banten.
KESIMPULAN
Berdasarkan praktikum ini dapat disimpulkan bahwa kita dapat mempelajari visualisasi data spasial, yang mana merupakan suatu metode untuk menganalisis dan menyajikan data yang memiliki referensi geografis, seperti batas wilayah administrasi dan data titik koordinat (epicenter). Analisis spasial ini merupakan proses pemeriksaan pola dan hubungan spasial yang dalam konteks ini digunakan untuk mengkaji distribusi kejadian gempa bumi di Provinsi Banten. Visualisasi spasial ini mengintegrasikan data batas administrasi dengan data kejadian gempa, termasuk atribut magnitudo dan kedalaman.
Menggunakan program R kita bisa melakukan pembuatan peta batas administrasi dan pemetaan data titik spasial. Di mana untuk pembuatan peta dapat menggunakan paket sf untuk membaca data shapefile (st_read) dan mengkonversi data CSV menjadi objek spasial (st_as_sf), serta paket ggplot2 dengan fungsi geom_sf() untuk visualisasinya. Dengan adanya program R, sudah bisa mendapatkan hasil visualisasi peta yang komprehensif dan informatif untuk memahami karakteristik seismik wilayah Banten.
Berdasarkan hasil batasan masalah 1 dapat disimpulkan juga bahwa sebaran epicenter gempa tahun 2024 di Banten tidak merata. Hal ini berarti bahwa Banten selatan, yang dekat zona subduksi Samudra Hindia, mengalami aktivitas tektonik yang jauh lebih tinggi. Wilayah ini menunjukkan konsentrasi gempa berkekuatan lebih tinggi (4.6-5.0) dan kedalaman lebih besar (40-50 km) dibandingkan wilayah utara, sehingga memerlukan strategi mitigasi bencana yang spesifik. Dan pada batasan masalah 2 didapatkan bahwa peta batas administrasi Provinsi Banten berhasil dibuat, menunjukkan delapan kabupaten/kota dengan diferensiasi warna yang jelas menggunakan aes(fill = WADMKK). Hal ini berarti bahwa visualisasi tersebut menyediakan kerangka referensi spasial yang vital untuk analisis lebih lanjut, seperti identifikasi kerawanan di tiap unit administrasi.
REFRENSI
Aldrian, E., Sein, Z. L., & Dümenil Gates, L. (2011). Sensitivity of the Eurasian climate to vegetation in the mid-Holocene. Climate of the Past, 7(4), 1277–1292.
Birkmann, J., & Teichman, K. (2010). Integrating disaster risk reduction and climate change adaptation: Key challenges—scales, knowledge, and norms. Sustainability Science, 5(2), 171–184. https://doi.org/10.1007/s11625-010-0108-y
Bivand, R. S., Pebesma, E. J., & Gómez-Rubio, V. (2013). Applied spatial data analysis with R (2nd ed.). Springer-Verlag.
Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). (2024a). Laporan gempa bumi Provinsi Banten 2024. BMKG.
Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). (2024b). Analisis aktivitas seismik Provinsi Banten tahun 2024. BMKG.
Goodchild, M. F. (2011). Scale in GIS: An overview. Geomorphology, 130(1–2), 5–9. https://doi.org/10.1016/j.geomorph.2010.10.004
Goodchild, M. F., & Janelle, D. G. (2004). Spatially integrated social science. Oxford University Press.
Kamnev, A. A., & van Genuchten, R. (2015). Spatial and temporal dynamics of the subsurface processes: Review. In Advances in environmental research (Vol. 35, pp. 1–40). Nova Science Publishers.
Kementerian Energi dan Sumber Daya Mineral (ESDM). (2020). Peta gempa Indonesia: Pembaruan peta bahaya gempa 2017. Pusat Penelitian dan Pengembangan Perumahan dan Permukiman.
Kraak, M.-J., & Ormeling, F. (2010). Cartography: Visualization of geospatial data (3rd ed.). Pearson Education.
Paton, D., & Johnston, D. M. (2006). Disaster resilience: An integrated approach. Charles C Thomas Publisher.
Pebesma, E. (2018). Simple features for R: Standardized support for spatial vector data. The R Journal, 10(1), 439–446. https://doi.org/10.32614/RJ-2018-009
Pebesma, E., & Bivand, R. (2023). Spatial data science: With applications in R. Chapman and Hall/CRC. https://doi.org/10.1201/9781003254331
R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
Sianipar, C. P. M., Yudoko, G., Dowaki, K., & Maknun, I. J. (2019). Systemic problems in disaster management in a developing country: Review of the 2018 Sulawesi earthquake and tsunami in Indonesia. Progress in Disaster Science, 4, 100044. https://doi.org/10.1016/j.pdisas.2019.100044
Slocum, T. A., McMaster, R. B., Kessler, F. C., & Howard, H. H. (2009). Thematic cartography and geographic visualization (3rd ed.). Pearson Prentice Hall.
Sutanta, H., Rajabifard, A., & Bishop, I. D. (2016). Disaster management information systems: A systematic review. International Journal of Disaster Risk Reduction, 16, 1–11. https://doi.org/10.1016/j.ijdrr.2016.01.013
Triyoso, Y., & Triastuty, H. (2015). Comprehensive disaster risk management system in Indonesia. In Disaster risk reduction in Indonesia: Progress and challenges (pp. 45–67). Springer.
Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer-Verlag.
Wickham, H., Chang, W., Henry, L., Pedersen, T. L., Takahashi, K., Wilke, C., & Dunnington, D. (2024). ggplot2: Create elegant data visualisations using the grammar of graphics. R package version 3.4.4. https://CRAN.R-project.org/package=ggplot2