Visdat Kelompok Project
Kelompok 6 Visdat K2
2026-02-25
library(sf)## Warning: package 'sf' was built under R version 4.5.2## Linking to GEOS 3.13.1, GDAL 3.11.4, PROJ 9.7.0; sf_use_s2() is TRUElibrary(ggplot2)## Warning: package 'ggplot2' was built under R version 4.5.2library(dplyr)## Warning: package 'dplyr' was built under R version 4.5.2##
## 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(geodata)## Warning: package 'geodata' was built under R version 4.5.2## Loading required package: terra## Warning: package 'terra' was built under R version 4.5.2## terra 1.8.93data <- read.csv("C:\\Users\\Hype\\OneDrive\\文档\\Semester 4\\Visdat\\data_projek.csv", sep=(";"))
head(data)## Kd_Prov Provinsi Total_Panjang Mantap_Km Mantap_Persentase TMantap_Km
## 1 11 Aceh 1.781,72 1.534,61 86,13 247,11
## 2 51 Bali 805,35 601,14 74,64 204,21
## 3 19 Bangka Belitung 1.330,12 835,8 62,84 494,32
## 4 36 Banten 856,99 783,69 91,44 73,709
## 5 17 Bengkulu 674,59 476,14 70,58 198,45
## 6 34 D.I. Yogyakarta 467,18 317,78 68,02 149,4
## Tmantap_Persentase Upah_Minimum Wilayah
## 1 13,87 3460672 Barat
## 2 25,36 2813672 Barat
## 3 37,16 3640000 Barat
## 4 8,56 2727812,11 Barat
## 5 29,42 2507079,24 Barat
## 6 31,98 2125897,61 Baratbersih_numeric <- function(x) {
x <- gsub("%", "", x)
x <- gsub("\\.", "", x)
x <- gsub(",", ".", x)
x <- trimws(x)
as.numeric(x)
}
data$Mantap_Persentase <- bersih_numeric(data$Mantap_Persentase)
data$Mantap_Km <- bersih_numeric(data$Mantap_Km)
data$Upah_Minimum <- bersih_numeric(data$Upah_Minimum)
data$Total_Panjang <- bersih_numeric(data$Total_Panjang)indo <- geodata::gadm("IDN", level = 1, path = tempdir())
indo <- st_as_sf(indo)
unique(indo$NAME_1)## [1] "Aceh" "Bali" "Bangka Belitung"
## [4] "Banten" "Bengkulu" "Gorontalo"
## [7] "Jakarta Raya" "Jambi" "Jawa Barat"
## [10] "Jawa Tengah" "Jawa Timur" "Kalimantan Barat"
## [13] "Kalimantan Selatan" "Kalimantan Tengah" "Kalimantan Timur"
## [16] "Kalimantan Utara" "Kepulauan Riau" "Lampung"
## [19] "Maluku" "Maluku Utara" "Nusa Tenggara Barat"
## [22] "Nusa Tenggara Timur" "Papua" "Papua Barat"
## [25] "Riau" "Sulawesi Barat" "Sulawesi Selatan"
## [28] "Sulawesi Tengah" "Sulawesi Tenggara" "Sulawesi Utara"
## [31] "Sumatera Barat" "Sumatera Selatan" "Sumatera Utara"
## [34] "Yogyakarta"map_data <- indo %>%
left_join(data, by = c("NAME_1" = "Provinsi"))
ggplot(map_data) +
geom_sf(aes(fill = Mantap_Persentase), color = "white", size = 0.1) +
scale_fill_gradient(
low = "#FF0000",
high = "#7C2FD7",
name = "% Mantap"
) +
theme_void() +
theme(
plot.title = element_text(size = 16, face = "bold", hjust = 0.5)
) +
labs(title = "Heatmap Jalan Mantap Indonesia")
Heatmap menunjukkan bahwa ada kecenderungan semakin ke timur, persentase jalan mantap semakin rendah. Hal ini menunjukkan bahwa persentase jalan mantap di Indonesia belum merata, dengan provinsi di wilayah barat umumnya memiliki kondisi jalan yang lebih baik dibandingkan wilayah timur, terutama Papua yang masih memiliki persentase jalan mantap relatif rendah.
library(dplyr)
library(ggplot2)
summary_wilayah <- data %>%
group_by(Wilayah) %>%
summarise(rata_rata = mean(Mantap_Persentase, na.rm = TRUE))
ggplot(summary_wilayah, aes(x = Wilayah, y = rata_rata, fill = rata_rata)) +
geom_col(width = 0.6) +
geom_text(aes(label = round(rata_rata,1)), vjust = -0.5, size = 5) +
scale_fill_gradient(
low = "#FF0000",
high = "#7C2FD7",
name = "% Mantap"
) +
theme_minimal() +
labs(
title = "Perbandingan Jalan Mantap per Wilayah Indonesia",
x = "Wilayah",
y = "Rata-rata % Jalan Mantap"
)
Grafik menunjukkan bahwa rata-rata persentase jalan mantap tertinggi terdapat di wilayah Barat, diikuti wilayah Tengah, dan terendah di wilayah Timur, sehingga terlihat adanya ketimpangan kondisi infrastruktur jalan antara wilayah Barat dan Timur Indonesia.
model <- lm(Upah_Minimum ~ Mantap_Km, data = data)
coef(model)## (Intercept) Mantap_Km
## 3327588.6490 -272.2548summary(model)##
## Call:
## lm(formula = Upah_Minimum ~ Mantap_Km, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1115174 -350253 68194 442705 1130691
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3327588.6 176176.5 18.89 <2e-16 ***
## Mantap_Km -272.3 154.6 -1.76 0.0871 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 545000 on 35 degrees of freedom
## Multiple R-squared: 0.08135, Adjusted R-squared: 0.0551
## F-statistic: 3.099 on 1 and 35 DF, p-value: 0.08707cor(data$Mantap_Km, data$Upah_Minimum, use = "complete.obs")## [1] -0.2852125ggplot(data, aes(x = Mantap_Km, y = Upah_Minimum)) +
geom_point(aes(color = Mantap_Km), size = 4) +
geom_smooth(method = "lm", se = FALSE, color = "black") +
scale_color_gradient(
low = "#FF0000",
high = "#7C2FD7",
name = "Km Mantap"
) +
theme_minimal() +
labs(
title = "Hubungan Jalan Mantap dengan Upah Minimum",
x = "Panjang Jalan Mantap (Km)",
y = "Upah Minimum (Rp)"
)## `geom_smooth()` using formula = 'y ~ x'
Scatter plot menunjukkan hubungan negatif yang lemah antara panjang jalan mantap dan upah minimum provinsi. Hal ini ditunjukkan oleh nilai koefisien korelasi yang rendah dan nilai R² sebesar 0,081, yang berarti hanya 8,1% variasi upah minimum dapat dijelaskan oleh panjang jalan mantap.
Infrastruktur jalan mantap dalam panjang absolut belum tentu mencerminkan tingkat kesejahteraan ekonomi provinsi. Faktor lain seperti aktivitas ekonomi, industrialisasi, dan urbanisasi memiliki pengaruh yang lebih besar terhadap upah minimum.