AED Visualisasi Data Kelompok 7
Dzulfikar Najib
2026-02-25
Line Chart (Mantap Jalan 2015-2025)
data <- data.frame(
Tahun = 2015:2025,
Persen_Mantap = c(89.36, 89.37, 90.35, 91.9, 92.81, 91.26, 91.81, 92.2, 94.18, 95.22, 93.65
))
data## Tahun Persen_Mantap
## 1 2015 89.36
## 2 2016 89.37
## 3 2017 90.35
## 4 2018 91.90
## 5 2019 92.81
## 6 2020 91.26
## 7 2021 91.81
## 8 2022 92.20
## 9 2023 94.18
## 10 2024 95.22
## 11 2025 93.65library(ggplot2)
ggplot(data, aes(x = Tahun, y = Persen_Mantap)) +
geom_line(size = 1.2, color = "red") +
geom_point(size = 3, color = "steelblue") +
geom_text(aes(label = sprintf("%.2f", Persen_Mantap)),
vjust = -1, size = 3, color = "black") +
labs(
title = "Tren Persentase Kemantapan Jalan Nasional (2015–2025)",
x = "Tahun",
y = "Persentase Jalan Mantap (%)"
) +
scale_x_continuous(breaks = 2015:2025) +
scale_y_continuous(limits = c(80, 100)) +
theme_minimal()## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Presentase kemantapan jalan nasional sejak tahun 2015 sampai 2025
menunjukkan tren peningkatan, yaitu dari 89.36% hingga mencapai puncak
sebesar 95.22% pada tahun 2024. Meskipun sempat terjadi penurunan di
tahun 2020 dan 2025, namun secara umum presentase kondisi jalan mantap
secara nasional masih berada di sekitar 90%, angka ini menunjukkan
infrastruktur nasional yang cukup baik dan relatif stabil untuk
mendukung aktifitas logistik. Setelah 2020 data DKI Jakarta tidak
tersedia dan dihitung sebagai nol, serta terdapat penambahan beberapa
provinsi baru. Perubahan ini dapat memengaruhi perbandingan data antar
tahun, sehinggaterdapat kemungkinan perbedaan komposisi dalam
perhitungan agregat nasional.
Meskipun terjadi penurunan kecil dibandingkan 2024, kondisi jalan nasional pada 2025 tetap berada pada level kemantapan yang tinggi, sehingga masih mendukung kelancaran distribusi dan aktivitas logistik
Peta
Load Data
library(readxl)
library(sf)## Linking to GEOS 3.13.1, GDAL 3.11.4, PROJ 9.7.0; sf_use_s2() is TRUElibrary(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.6
## ✔ forcats 1.0.1 ✔ stringr 1.5.1
## ✔ lubridate 1.9.4 ✔ tibble 3.3.1
## ✔ purrr 1.1.0 ✔ tidyr 1.3.2## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(biscale)
library(cowplot)##
## Attaching package: 'cowplot'
##
## The following object is masked from 'package:lubridate':
##
## stamplibrary(ggrepel)
file_path <- "C:/Users/Hype AMD/OneDrive - apps.ipb.ac.id/A UP MY HARD SKILL/IPB/Matakuliaih/Semester 4/Visualisasi Data/Pertemuan 4/Data Projek Visdat_Kelompok 7.xlsx"
df <- read_excel(file_path, sheet = "Data Project 1")
map <- st_read ("C:/Users/Hype AMD/Downloads/38 Provinsi Indonesia - Provinsi.json")## Reading layer `38 Provinsi Indonesia - Provinsi' from data source
## `C:\Users\Hype AMD\Downloads\38 Provinsi Indonesia - Provinsi.json'
## using driver `GeoJSON'
## Simple feature collection with 38 features and 3 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 95.037 ymin: -11.00724 xmax: 141.02 ymax: 5.907129
## Geodetic CRS: WGS 84# Load GeoJSON (Pastikan path ke provinsi.json benar)head(df)## # A tibble: 6 × 4
## No `Nama Provinsi` `Mantap (%)` `PDRB Tahunan %`
## <dbl> <chr> <dbl> <dbl>
## 1 1 Aceh 94.9 2.97
## 2 2 Sumatera Utara 95.0 4.53
## 3 3 Sumatera Barat 90.6 3.37
## 4 4 Riau 92.9 4.79
## 5 5 Kepulauan Riau 100 6.94
## 6 6 Jambi 92.2 4.93df <- df %>%
rename(
mantap = `Mantap (%)`,
pdrb = `PDRB Tahunan %`
)Samain Nama Provinsi
# Cek nama provinsi di map
unique(map$PROVINSI)## [1] "Sulawesi Tengah" "Sulawesi Barat"
## [3] "Sulawesi Selatan" "Papua Tengah"
## [5] "Papua Barat" "Gorontalo"
## [7] "Riau" "Papua Selatan"
## [9] "Daerah Istimewa Yogyakarta" "Sumatera Barat"
## [11] "DKI Jakarta" "Maluku"
## [13] "Bengkulu" "Lampung"
## [15] "Papua" "Kepulauan Riau"
## [17] "Nusa Tenggara Barat" "Jambi"
## [19] "Bali" "Jawa Timur"
## [21] "Papua Barat Daya" "Sumatera Utara"
## [23] "Sulawesi Tenggara" "Nusa Tenggara Timur"
## [25] "Kalimantan Selatan" "Aceh"
## [27] "Kalimantan Tengah" "Papua Pegunungan"
## [29] "Kepulauan Bangka Belitung" "Sumatera Selatan"
## [31] "Banten" "Sulawesi Utara"
## [33] "Kalimantan Utara" "Kalimantan Timur"
## [35] "Jawa Tengah" "Maluku Utara"
## [37] "Kalimantan Barat" "Jawa Barat"Merge Data
# Pastikan nama provinsi di df dan map sama untuk merge yang sukses
# Hruf besar kecil harus sama, dan pastikan tidak ada spasi tambahan
map_final <- map %>%
full_join(df, by = c("PROVINSI" = "Nama Provinsi")) # Sesuaikan nama kolom jika berbedaview(map_final)Visualisasi Peta
data_ready <- map_final %>%
filter(!is.na(mantap) & !is.na(pdrb)) %>%
bi_class(x = mantap, y = pdrb, style = "quantile", dim = 3)
# 5. Plot Peta Utama
map_plot <- ggplot(data_ready) +
geom_sf(aes(fill = bi_class), color = "gray20", size = 0.2, show.legend = FALSE) +
bi_scale_fill(pal = "BlueGold", dim = 3) +
# Label angka persentase dari kolom 'Mantap (%)'
stat_sf_coordinates(geom = "text_repel",
aes(label = paste0(round(`mantap`, 0), "%")),
size = 2.8,
fontface = "bold",
color = "black",
bg.color = "white",
bg.r = 0.12,
force = 15) +
labs(title = "Sinergi Kemantapan Jalan & Pertumbuhan Ekonomi",
subtitle = "Warna gelap menunjukkan angka tinggi pada kedua indikator",
caption = "Sumber: Data Tugas Kelompok 7 (2025)") +
theme_void() +
theme(plot.title = element_text(face="bold", size = 16, hjust = 0.5),
plot.subtitle = element_text(size = 11, hjust = 0.5),
plot.margin = margin(10, 10, 10, 10))
# 6. Membuat Legenda Bivariate
legend <- bi_legend(pal = "BlueGold",
dim = 3,
xlab = "Jalan Mantap (%)",
ylab = "PDRB Growth (%)",
size = 6)
# 7. Menggabungkan Peta dan Legenda
final_plot <- ggdraw() +
draw_plot(map_plot, 0, 0, 1, 1) +
draw_plot(legend, 0.05, 0.05, 0.25, 0.25)## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data# Tampilkan Hasil
print(final_plot)
Scaterplot
Load Data
file_path <- "C:/Users/Hype AMD/OneDrive - apps.ipb.ac.id/A UP MY HARD SKILL/IPB/Matakuliaih/Semester 4/Visualisasi Data/Pertemuan 4/Data Projek Visdat_Kelompok 7.xlsx"
df <- read_excel(file_path, sheet = "Data Project")head(df)## # A tibble: 6 × 20
## No `NO PROV` `Nama Provinsi` `Panjang (KM)` `Baik (KM)` `Baik (%)`
## <dbl> <chr> <chr> <dbl> <dbl> <dbl>
## 1 1 1.0 Aceh 2112. 691. 32.7
## 2 2 3.0 Sumatera Utara 2620. 940. 35.9
## 3 3 6.0 Sumatera Barat 1423. 485. 34.0
## 4 4 9.0 Riau 1254. 544. 43.3
## 5 5 10.0 Kepulauan Riau 430. 322. 74.9
## 6 6 11.0 Jambi 1319. 592. 44.9
## # ℹ 14 more variables: `Sedang (KM)` <dbl>, `Sedang (%)` <dbl>,
## # `Rusak Ringan (KM)` <dbl>, `Rusak Ringan (%)` <dbl>,
## # `Rusak Berat (KM)` <dbl>, `Rusak Berat (%)` <dbl>, `Mantap (KM)` <dbl>,
## # `Mantap (%)` <dbl>, `Tidak Mantap (KM)` <dbl>, `Tidak Mantap (%)` <dbl>,
## # `PDRB Tahunan (Miliyar)` <dbl>, `PDRB Tahunan %` <dbl>,
## # `Jumlah Penduduk (Ribu)` <dbl>, `Jawa/Luar Jawa` <dbl>Visualisasi Scatterplot Kemantapan Jalan vs PDRB
# 2. Scatter Plot: Panjang Jalan vs PDRB %
Model <- lm(`PDRB Tahunan %` ~ `Panjang (KM)`, data = df)
ggplot(df, aes(x = `Panjang (KM)`, y = `PDRB Tahunan %`)) +
geom_point(color = "steelblue", size = 3) +
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(
title = "Hubungan Panjang Jalan dengan Pertumbuhan PDRB",
x = "Panjang Jalan (KM)",
y = "Pertumbuhan PDRB Tahunan (%)"
) +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
# 3. Scatter Plot: Kemantapan Jalan vs PDRB %
Model <- lm(`PDRB Tahunan %` ~ `Mantap (%)`, data = df)
ggplot(df, aes(x = `Mantap (%)`, y = `PDRB Tahunan %`)) +
geom_point(color = "steelblue", size = 3) +
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(
title = "Hubungan Kemantapan Jalan dengan Pertumbuhan PDRB",
x = "Kemantapan Jalan (%)",
y = "Pertumbuhan PDRB Tahunan (%)"
) +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
## siapa pencilan itu?
# Cek residuals untuk deteksi pencilan
model <- lm(`PDRB Tahunan %` ~ `Panjang (KM)`, data = df)
plot(model)
model <- lm(`PDRB Tahunan %` ~ `Mantap (%)`, data = df)
plot(model)
Regresi Linear
Data Cleaning
# 1. Load Library
library(readxl)
library(dplyr)
library(ggplot2)
# 2. Load Data
file_path <- "C:/Users/Hype AMD/OneDrive - apps.ipb.ac.id/A UP MY HARD SKILL/IPB/Matakuliaih/Semester 4/Visualisasi Data/Pertemuan 4/Data Projek Visdat_Kelompok 7.xlsx"
df <- read_excel(file_path, sheet = "Data Project")
# 3. Rename & Clean (Biar manggil kolomnya nggak pusing sama spasi)
df_final <- df %>%
select(
pdrb_growth = `PDRB Tahunan %`,
panjang = `Panjang (KM)`,
mantap = `Mantap (%)`,
penduduk = `Jumlah Penduduk (Ribu)`,
jawa = `Jawa/Luar Jawa`
) %>%
mutate(across(everything(), as.numeric)) %>%
filter(!is.na(pdrb_growth))Cek data yang sudah dibersihkan
df_final## # A tibble: 37 × 5
## pdrb_growth panjang mantap penduduk jawa
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2.97 2112. 94.9 5626 0
## 2 4.53 2620. 95.0 15786. 0
## 3 3.37 1423. 90.6 5914. 0
## 4 4.79 1254. 92.9 6811. 0
## 5 6.94 430. 100 2214. 0
## 6 4.93 1319. 92.2 3768. 0
## 7 4.8 782. 91.6 2138 0
## 8 5.35 1581. 89.0 8928. 0
## 9 4.09 599. 99.8 1551. 0
## 10 5.28 1298. 92.0 9523. 0
## # ℹ 27 more rowsplot(model)
4. Run Regresi
# 4. Run Regresi
# Kita kontrol variabel Penduduk dan Dummy Jawa
model <- lm(pdrb_growth ~ log(panjang) + mantap + log(penduduk) + jawa, data = df_final)5. Visualisasi Koefisien
# Cek hasil di console
summary(model)##
## Call:
## lm(formula = pdrb_growth ~ log(panjang) + mantap + log(penduduk) +
## jawa, data = df_final)
##
## Residuals:
## Min 1Q Median 3Q Max
## -26.0956 -0.9403 -0.3723 0.9961 27.6004
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -19.7793 22.6597 -0.873 0.389
## log(panjang) 2.2224 2.4474 0.908 0.371
## mantap 0.2075 0.2141 0.969 0.340
## log(penduduk) -1.2497 1.6306 -0.766 0.449
## jawa 2.1329 5.6519 0.377 0.708
##
## Residual standard error: 6.911 on 32 degrees of freedom
## Multiple R-squared: 0.04978, Adjusted R-squared: -0.069
## F-statistic: 0.4191 on 4 and 32 DF, p-value: 0.7936visual_data <- data.frame(
Variabel = c("Panjang Jalan", "Kemantapan Jalan"),
Koefisien = c(
as.numeric(coef(model)["log(panjang)"]),
as.numeric(coef(model)["mantap"])
)
)
ggplot(visual_data, aes(x = Variabel, y = Koefisien, fill = Variabel)) +
geom_col(width = 0.5) +
geom_text(aes(label = round(Koefisien, 5)), vjust = -0.5, fontface = "bold") +
scale_fill_manual(values = c("#E63946", "#1D3557")) +
labs(
title = "Perbandingan Dampak: Panjang vs Kemantapan Jalan",
subtitle = "Koefisien Regresi setelah mengontrol Penduduk & Wilayah",
y = "Besar Pengaruh (Beta)",
x = ""
) +
theme_minimal()