Visualisasi Data Kategorik dan Numerik
Aziza Ladyashifa P., Chaesa Panji W., Razan Nur M. I., Sala Jalaludin
2026-03-09
1 Pendahuluan
Visualisasi data merupakan metode penting dalam analisis data untuk menyajikan informasi secara lebih mudah dipahami. Dengan menggunakan grafik, pola, distribusi, serta hubungan antar variabel dapat terlihat dengan lebih jelas.
Pada tugas ini dilakukan visualisasi data terhadap Produksi Tanaman Perkebunan Menurut Provinsi dan Jenis Tanaman Tahun 2024. Dataset ini berisi informasi produksi berbagai komoditas perkebunan seperti kelapa sawit, karet, kopi, kakao, dan tebu di berbagai provinsi di Indonesia.
Tujuan dari analisis ini adalah untuk:
- Menyajikan data produksi tanaman perkebunan dalam bentuk visualisasi.
- Membandingkan produksi antar provinsi dan jenis tanaman.
- Mengidentifikasi distribusi serta hubungan antar variabel numerik.
2 Sumber Data
Dataset yang digunakan berasal dari data produksi tanaman perkebunan Indonesia tahun 2024.
Alasan memilih dataset ini:
- Data bersifat real dan resmi dari BPS.
- Memiliki variabel kategorik dan numerik yang cocok untuk visualisasi.
- Relevan untuk menganalisis sektor pertanian dan perkebunan di Indonesia.
3 Persiapan Data
library(ggplot2)
library(dplyr)
library(tidyr)
library(stringr)
library(readxl)
library(RColorBrewer)
library(writexl)
library(janitor)
library(sf)
library(tidyverse)
library(scales)
data <- read_excel("Produksi Tanaman Perkebunan Menurut Provinsi dan Jenis Tanaman, 2024 udah dirapihin222.xlsx", sheet = 2)
head(data)write_xlsx(data_long, "data_perkebunan_long.xlsx")
write_xlsx(data, "dara_perkebunan.xlsx")data1 <- read_excel("data_perkebunan_long.xlsx")
head(data1)tail(data1)data2 <- read_excel("produksi_tanaman_perkebunan_2024_dengan_pulau.xlsx")
head(data2)4 Visualisasi Data
Visualisasi Hiastogram, Bar Chart, & Line Plot
1. Bar Chart Produksi Kelapa Sawit per Provinsi
#Bar Chart Provinsi vs Produksi Kelapa Sawit
ggplot(data2, aes(x = Provinsi, y = "Kelapa Sawit")) +
geom_bar(stat = "identity", fill = "darkgreen") +
labs(
title = "Produksi Kelapa Sawit per Provinsi Tahun 2024",
x = "Provinsi",
y = "Produksi Kelapa Sawit"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90, hjust = 1))
##Bar Chart Top 10 Provinsi
top10 <- data2 %>%
arrange(desc("Kelapa Sawit")) %>%
slice(1:10)
ggplot(top10, aes(x = reorder(Provinsi, `Kelapa Sawit`), y = `Kelapa Sawit`)) +
geom_bar(stat = "identity", fill = "forestgreen") +
coord_flip() +
labs(
title = "10 Provinsi Produksi Kelapa Sawit Tertinggi 2024",
x = "Provinsi",
y = "Produksi Kelapa Sawit"
) +
theme_minimal()
Interpretasi
Berdasarkan bar chart yang menampilkan produksi kelapa sawit per provinsi tahun 2024 Provinsi-provinsi di Pulau Sumatra, seperti Riau, Sumatera Utara, dan Sumatera Selatan, menunjukkan produksi kelapa sawit yang relatif tinggi dibandingkan provinsi lainnya. Hal ini menunjukkan bahwa wilayah tersebut merupakan salah satu pusat utama produksi kelapa sawit di Indonesia. Secara keseluruhan, bar chart ini menunjukkan bahwa produksi kelapa sawit di Indonesia tidak merata antar provinsi.
2. Histogram Distribusi Produksi Kelapa Sawit
#Histogram Distribusi Produksi Kelapa Sawit
ggplot(data2, aes(x = `Kelapa Sawit`)) +
geom_histogram(binwidth = 500000, fill = "darkgreen", color = "black") +
labs(
title = "Histogram Distribusi Produksi Kelapa Sawit 2024",
x = "Produksi Kelapa Sawit",
y = "Frekuensi"
) +
theme_minimal()
ggplot(data2, aes(x = `Kelapa Sawit`)) +
geom_histogram(fill = "darkgreen", color = "black", bins = 10) +
labs(
title = "Distribusi Produksi Kelapa Sawit",
x = "Produksi Kelapa Sawit",
y = "Jumlah Provinsi"
) +
theme_minimal()
Interpretasi
Histogram distribusi produksi kelapa sawit menunjukkan pola penyebaran jumlah produksi kelapa sawit antar provinsi. Dari grafik tersebut dapat dilihat bahwa sebagian besar provinsi memiliki tingkat produksi kelapa sawit pada kisaran tertentu, sementara hanya beberapa provinsi yang memiliki produksi sangat tinggi.
3. Line Plot
ggplot(data2, aes(x = Provinsi, y = `Kelapa Sawit`, group = 1)) +
geom_line(color = "blue", size = 1) +
geom_point(color = "red", size = 2) +
labs(
title = "Line Plot Produksi Kelapa Sawit per Provinsi Tahun 2024",
x = "Provinsi",
y = "Produksi Kelapa Sawit"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90, hjust = 1))## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Interpretasi
Grafik line plot menunjukkan perbandingan jumlah produksi kelapa sawit di setiap provinsi pada tahun 2024. Dari grafik tersebut terlihat bahwa produksi kelapa sawit antar provinsi memiliki perbedaan yang cukup besar. Beberapa provinsi memiliki produksi yang jauh lebih tinggi dibandingkan provinsi lainnya. Provinsi dengan produksi tertinggi terlihat menonjol dibandingkan provinsi lain, yang menunjukkan bahwa wilayah tersebut memiliki perkebunan kelapa sawit yang lebih luas atau produktivitas yang lebih tinggi. Sementara itu, beberapa provinsi memiliki produksi yang relatif rendah, yang kemungkinan disebabkan oleh luas lahan perkebunan yang lebih kecil atau kondisi geografis yang kurang mendukung.
top10 <- data2 %>%
arrange(desc(`Kelapa Sawit`)) %>%
slice(1:10)
ggplot(top10, aes(x = reorder(Provinsi, `Kelapa Sawit`), y = `Kelapa Sawit`, group = 1)) +
geom_line(color = "blue", size = 1) +
geom_point(color = "red", size = 3) +
labs(
title = "Line Plot 10 Provinsi Produksi Kelapa Sawit Tertinggi 2024",
x = "Provinsi",
y = "Produksi Kelapa Sawit"
) +
theme_minimal()
Interpretasi
Grafik line plot Top 10 provinsi menunjukkan sepuluh provinsi dengan produksi kelapa sawit tertinggi pada tahun 2024. Dari grafik tersebut terlihat adanya perbedaan tingkat produksi antar provinsi dalam kelompok sepuluh besar tersebut. Grafik ini membantu memperjelas provinsi mana saja yang menjadi pusat utama produksi kelapa sawit di Indonesia.
Visualisasi Boxplot, Pie Chart, & Violin Plot
4. Pie Chart Proporsi Produksi Tanaman
# menghitung total produksi per tanaman
data_tanaman <- data1 %>%
group_by(tanaman) %>%
summarise(total_produksi = sum(produksi)) %>%
mutate(persen = total_produksi / sum(total_produksi) * 100,
legenda = paste0(tanaman, " (", round(persen,1), "%)")) %>%
arrange(desc(total_produksi))
# pie chart
ggplot(data_tanaman,
aes(x = "", y = total_produksi,
fill = factor(legenda, levels = legenda))) +
geom_bar(stat = "identity", width = 1, color = "white") +
coord_polar(theta = "y") +
labs(title = "Proporsi Produksi Jenis Tanaman Perkebunan",
fill = "Jenis Tanaman (%)") +
scale_fill_brewer(palette = "Set2") +
theme_void() + theme(plot.title = element_text(hjust = 0.5))
Interpretasi
Berdasarkan visualisasi data tersebut, terlihat bahwa produksi komoditas perkebunan didominasi secara sangat signifikan oleh kelapa sawit yang mencapai 87,5% dari total keseluruhan. Komoditas lainnya memiliki kontribusi yang jauh lebih kecil, dengan kelapa menempati posisi kedua sebesar 5,4%, diikuti oleh karet sebesar 4,1%, kopi 1,6%, kakao 1,2%, dan teh dengan proporsi terkecil yaitu 0,2%. Secara keseluruhan, data ini menunjukkan bahwa struktur produksi perkebunan sangat bergantung pada sektor kelapa sawit, sementara komoditas lainnya hanya memberikan kontribusi marginal di bawah 6% dari total produksi.
5. Boxplot Produksi Kakao antar Provinsi
ggplot(data2, aes(x = Kakao, y = Pulau)) +
geom_boxplot(fill = "skyblue") +
labs(
title = "Boxplot Produksi Kakao antar Pulau di Indonesia (2024)",
x = "Produksi Karet",
y = "Pulau"
) +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5))
Interpretasi
Berdasarkan visualisasi boxplot tersebut, produksi kakao antar pulau di Indonesia pada tahun 2024 menunjukkan dominasi yang sangat kuat dari Pulau Sulawesi, yang memiliki median produksi tertinggi serta rentang variasi data paling lebar dibandingkan wilayah lainnya. Pulau Sumatra menyusul di posisi kedua dengan tingkat produksi yang cukup signifikan meskipun masih di bawah Sulawesi, sementara wilayah Bali dan Nusa Tenggara menunjukkan angka produksi yang lebih moderat. Sebaliknya, pulau-pulau lain seperti Papua, Maluku, Kalimantan, dan Jawa memiliki tingkat produksi yang sangat rendah dan cenderung stabil, dengan ditemukannya beberapa titik outlier pada data produksi di Pulau Papua dan Jawa yang menunjukkan adanya anomali atau nilai produksi yang jauh di atas rata-rata wilayah tersebut.
6. Violin Plot Produksi kakao per Pulau
ggplot(data = data2, mapping = aes(x = Kakao, y="all")) +
geom_violin(fill="green",alpha=0.5) +
geom_boxplot(fill="blue",width=0.1) +
scale_x_continuous(labels = comma)
Interpretasi
Berdasarkan visualisasi violin plot tersebut, produksi kakao di Indonesia pada tahun 2024 menunjukkan distribusi yang sangat timpang, di mana Pulau Sulawesi memiliki kepadatan data pada rentang nilai produksi yang jauh lebih tinggi dan sebaran yang paling luas dibandingkan pulau-pulau lainnya. Bentuk biola pada Pulau Sulawesi yang memanjang ke atas mengindikasikan variabilitas produksi yang besar antar wilayah di dalamnya, sementara pulau lain seperti Jawa, Kalimantan, dan Maluku menunjukkan bentuk yang sangat ramping di bagian bawah, menandakan bahwa mayoritas daerah di pulau tersebut memiliki angka produksi yang rendah dan seragam. Kehadiran boxplot putih di dalam setiap biola mempertegas perbedaan nilai median yang kontras antara wilayah sentra produksi utama dengan wilayah pendukung, memberikan gambaran komprehensif mengenai konsentrasi geografis industri kakao nasional.
Visualisasi Stacked Bar Chart, Scatter Plot & QQ Plot
7. Stacked Bar Chart Produksi Tanaman per Provinsi
# Membuat data untuk Bar Chart (Memisahkan skala produksi Sawit vs Tanaman Lain)
df_plot <- data1 %>%
mutate(
kategori_skala = if_else(tanaman == "Kelapa Sawit",
"Kelapa Sawit (Skala Besar)",
"Tanaman Lainnya (Skala Kecil)")
)
# Membuat data wide untuk Scatter Plot (Mengubah jenis tanaman menjadi kolom)
df_wide <- data1 %>%
pivot_wider(names_from = tanaman, values_from = produksi) %>%
clean_names()
# 3. VISUALISASI 1: STACKED BAR CHART (Perbandingan Total Produksi)
# ---------------------------------------------------------------------
# Plot ini menunjukkan total produksi per wilayah dengan pembagian panel (facet)
plot_bar <- ggplot(df_plot, aes(x = produksi, y = wilayah, fill = tanaman)) +
geom_col() +
facet_wrap(~ kategori_skala, scales = "free_x") +
labs(
title = "Produksi Perkebunan Berdasarkan Wilayah dan Jenis Tanaman",
x = "Produksi (Ribuan Ton)", y = "Wilayah", fill = "Jenis Tanaman"
) +
theme_minimal() +
theme(
strip.text = element_text(face = "bold", size = 12),
plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
legend.position = "bottom",
panel.spacing = unit(2, "lines")
)
# Menampilkan Stacked Bar Chart
print(plot_bar)
Interpretasi
Visualisasi ini menunjukkan adanya dominasi yang sangat kontras antara komoditas Kelapa Sawit dengan tanaman lainnya. Wilayah Sumatra dan Kalimantan muncul sebagai produsen terbesar, di mana volume produksi Kelapa Sawit di kedua wilayah tersebut jauh melampaui total gabungan produksi komoditas lain (Karet, Kelapa, Kopi, Kakao, dan Teh). Dengan dipisah, terlihat bahwa meskipun tanaman lain memiliki volume lebih kecil, Karet dan Kelapa tetap menjadi komoditas pendukung yang signifikan di hampir seluruh wilayah Indonesia.
8. Scatter Plot Produksi Kelapa Sawit vs Karet
# Membuat data wide untuk Scatter Plot (Mengubah jenis tanaman menjadi kolom)
df_wide <- data1 %>%
pivot_wider(names_from = tanaman, values_from = produksi) %>%
clean_names()
# 4. VISUALISASI 2: SCATTER PLOT SAWIT VS KARET (Skala Logaritmik)
# ---------------------------------------------------------------------
# Plot korelasi antara dua komoditas terbesar. Sumbu ditambah 1 (+1) untuk menangani nilai nol.
plot_sawit_karet <- ggplot(df_wide, aes(x = karet + 1, y = kelapa_sawit + 1, color = wilayah)) +
geom_point(size = 5, alpha = 0.8) +
scale_x_log10() +
scale_y_log10() +
labs(
title = "Hubungan Produksi Kelapa Sawit dan Karet tiap Wilayah",
subtitle = "Menganalisis korelasi dua komoditas dengan volume produksi tertinggi",
x = "Log Produksi Karet (Ribuan Ton)",
y = "Log Produksi Kelapa Sawit (Ribuan Ton)",
color = "Wilayah"
) +
theme_minimal()
# Menampilkan Scatter Plot Sawit vs Karet
print(plot_sawit_karet)
Interpretasi
Melalui skala logaritmik, terlihat adanya korelasi positif antara produksi Kelapa Sawit dan Karet. Wilayah yang memiliki produksi Kelapa Sawit tinggi cenderung juga memiliki produksi Karet yang besar (terutama di Sumatra dan Kalimantan). Penggunaan skala log membantu mengelompokkan wilayah-wilayah berdasarkan kapasitas produksinya, di mana titik-titik yang berada di kanan atas menunjukkan wilayah (pemain utama) yang mendominasi dua komoditas ekspor terbesar Indonesia tersebut secara bersamaan.
# 5. VISUALISASI 3: SCATTER PLOT KARET VS KOPI (Skala Logaritmik)
# ---------------------------------------------------------------------
# Plot korelasi untuk melihat apakah dominasi produksi karet sejalan dengan kopi
plot_karet_kopi <- ggplot(df_wide, aes(x = karet + 1, y = kopi + 1, color = wilayah)) +
geom_point(size = 5, alpha = 0.8) +
scale_x_log10() +
scale_y_log10() +
labs(
title = "Hubungan Produksi Karet dan Kopi tiap Wilayah",
subtitle = "Melihat sebaran wilayah spesialis komoditas sedang vs besar",
x = "Log Produksi Karet (Ribuan Ton)",
y = "Log Produksi Kopi (Ribuan Ton)",
color = "Wilayah"
) +
theme_minimal()
# Menampilkan Scatter Plot Karet vs Kopi
print(plot_karet_kopi)
Interpretasi
Memperlihatkan sebaran wilayah berdasarkan spesialisasi komoditas skala sedang. Berbeda dengan hubungan Sawit-Karet yang sangat linier, hubungan antara Karet dan Kopi lebih menyebar. Terdapat wilayah yang sangat kuat di produksi Karet namun rendah di Kopi, dan sebaliknya. Hal ini mengindikasikan bahwa setiap wilayah memiliki kecocokan lahan dan fokus komoditas yang berbeda-beda, tergantung pada kondisi geografis lokal (misalnya Kopi yang lebih dominan di wilayah dataran tinggi).
9. QQ Plot
# 6. VISUALISASI 4: QQ-PLOT PRODUKSI (Uji Normalitas Skala Logaritmik)
# ---------------------------------------------------------------------
# Plot ini digunakan untuk mengecek apakah distribusi data produksi
# mendekati distribusi normal. Sumbu ditambah 1 (+1) untuk menangani nilai nol.
plot_qq_log <- ggplot(data1, aes(sample = log10(produksi + 1))) +
stat_qq(color = "darkgreen", size = 3, alpha = 0.6) +
stat_qq_line(color = "red", linetype = "dashed", linewidth = 1) +
labs(
title = "Uji Normalitas Produksi Perkebunan (Skala Log10)",
subtitle = "Melihat sejauh mana data mengikuti distribusi normal teoretis",
x = "Kuantil Teoretis (Normal)",
y = "Kuantil Sampel (Log10 Produksi)"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
plot.subtitle = element_text(hjust = 0.5),
axis.title = element_text(face = "bold")
)
# Menampilkan QQ-Plot
print(plot_qq_log)
Interpretasi
Visualisasi QQ-Plot ini berfungsi sebagai uji validitas untuk melihat sejauh mana distribusi data produksi mengikuti model distribusi normal teoretis. Hasil plot mengonfirmasi bahwa transformasi logaritmik berhasil (menjinakkan) outlier ekstrem seperti Kelapa Sawit, menariknya mendekati garis referensi dibandingkan data aslinya. Meskipun terdapat penyimpangan di ujung bawah akibat (lantai data) yang nilai produksi 0, secara keseluruhan mayoritas titik data mengikuti garis diagonal merah dengan konsisten. Hal ini menjalankan fungsi QQ-Plot dalam mendeteksi karakteristik sebaran data, sekaligus membuktikan bahwa penggunaan skala logaritma adalah langkah yang tepat untuk menyeimbangkan ketimpangan volume produksi yang sangat besar antar wilayah.
Visualisasi Bar Chart, Density Plot, Peta Spasial, & Needle Chart
10. Bar Chart Top 10 Produksi Kopi
colnames(data1)## [1] "wilayah" "tanaman" "produksi"top_kopi <- data1 %>%
filter(tanaman == "Kopi") %>%
arrange(desc(produksi)) %>%
slice(1:10)
ggplot(top_kopi, aes(x = reorder(wilayah, produksi), y = produksi)) +
geom_bar(stat = "identity", fill = "brown") +
coord_flip() +
scale_y_log10() +
labs(
title = "Top Produksi Kopi",
x = "Wilayah",
y = "Produksi Kopi (log scale)"
) +
theme_minimal()
Interpretasi
Grafik bar chart menunjukkan perbandingan produksi kopi antar wilayah di Indonesia. Terlihat bahwa Sumatra merupakan wilayah dengan produksi kopi tertinggi, dengan nilai produksi yang jauh lebih besar dibanding wilayah lainnya. Hal ini menunjukkan bahwa Sumatra menjadi pusat utama produksi kopi nasional.
Wilayah Jawa menempati posisi kedua dengan tingkat produksi yang cukup signifikan, meskipun masih jauh di bawah Sumatra. Sementara itu, wilayah Sulawesi dan Bali & Nusa Tenggara memiliki produksi kopi yang lebih rendah dibandingkan dua wilayah utama tersebut, namun tetap memberikan kontribusi terhadap total produksi kopi nasional.
Di sisi lain, wilayah Papua, Kalimantan, dan Maluku memiliki produksi kopi yang relatif sangat kecil. Hal ini menunjukkan bahwa komoditas kopi belum menjadi komoditas perkebunan utama di wilayah-wilayah tersebut.
Secara keseluruhan, grafik ini memperlihatkan bahwa produksi kopi di Indonesia terkonsentrasi pada beberapa wilayah tertentu, khususnya Sumatra.
11. Density Plot Distribusi Produksi Kakao
data_kakao <- data1 %>%
filter(tanaman == "Kakao")
ggplot(data_kakao, aes(x = produksi)) +
geom_density(fill = "purple", alpha = 0.6) +
labs(
title = "Density Plot Distribusi Produksi Kakao",
x = "Produksi Kakao",
y = "Density"
) +
theme_minimal()
Interpretasi
Density plot menggambarkan pola distribusi produksi kakao di berbagai wilayah di Indonesia. Dari grafik terlihat bahwa sebagian besar wilayah memiliki tingkat produksi kakao yang relatif rendah hingga menengah.
Kepadatan tertinggi pada grafik berada pada nilai produksi yang lebih kecil, yang menunjukkan bahwa sebagian besar wilayah menghasilkan kakao dalam jumlah yang tidak terlalu besar. Hal ini menandakan bahwa produksi kakao tidak tersebar secara merata di seluruh wilayah.
Selain itu, terdapat beberapa nilai produksi yang lebih tinggi yang membentuk bagian ekor distribusi di sisi kanan grafik. Nilai ini menunjukkan adanya wilayah tertentu yang memiliki produksi kakao jauh lebih tinggi dibanding wilayah lainnya.
Secara umum, distribusi ini menunjukkan bahwa produksi kakao di Indonesia cenderung tidak merata, dengan sebagian kecil wilayah memiliki produksi yang jauh lebih tinggi dibandingkan wilayah lainnya
12. Peta Spasial Produksi Tanaman Sawit per Provinsi
# Read GeoJSON Indonesia
indo_map <- st_read("38 Provinsi Indonesia - Provinsi.json") %>%
clean_names()## Reading layer `38 Provinsi Indonesia - Provinsi' from data source
## `D:\OneDrive\Documents\evd\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# data2
# samakan nama provinsi
data2_clean <- data2 %>%
clean_names() %>%
mutate(prov_match = case_when(
provinsi == "KEP. BANGKA BELITUNG" ~ "KEPULAUAN BANGKA BELITUNG",
provinsi == "KEP. RIAU" ~ "KEPULAUAN RIAU",
provinsi == "DI YOGYAKARTA" ~ "DAERAH ISTIMEWA YOGYAKARTA",
TRUE ~ provinsi
)) %>%
mutate(prov_match = str_to_upper(prov_match))
# Samakan nama
indo_map <- indo_map %>%
mutate(name_upper = str_to_upper(provinsi))
# 4. Gabungkan Peta dan Data
map_final <- indo_map %>%
left_join(data2_clean, by = c("name_upper" = "prov_match"))
# 5. Visualisasi
ggplot(data = map_final) +
geom_sf(aes(fill = kelapa_sawit), color = "white", size = 0.2) +
scale_fill_viridis_c(
option = "viridis",
na.value = "grey90",
name = "Produksi (Ton)",
labels = scales::comma
) +
labs(
title = "Peta Produksi Kelapa Sawit Indonesia 2024",
subtitle = "Visualisasi per Provinsi",
caption = "Sumber: BPS Indonesia"
) +
theme_minimal() +
theme(
axis.text = element_blank(),
panel.grid = element_blank(),
legend.position = "bottom"
)
Interpretasi
Peta ini menampilkan sebaran produksi kelapa sawit di berbagai provinsi di Indonesia pada tahun 2024. Perbedaan warna menunjukkan tingkat produksi, di mana warna yang lebih terang menandakan produksi yang lebih tinggi.
Dari peta terlihat bahwa produksi kelapa sawit terutama terkonsentrasi di wilayah Sumatra dan sebagian Kalimantan, yang menjadi pusat utama perkebunan kelapa sawit di Indonesia. Sementara itu, wilayah Jawa, Sulawesi, Maluku, dan Papua cenderung menunjukkan tingkat produksi yang lebih rendah.
Secara umum, peta ini menggambarkan bahwa produksi kelapa sawit di Indonesia tidak tersebar merata, melainkan lebih dominan pada wilayah tertentu yang memiliki kondisi lahan dan iklim yang mendukung perkebunan kelapa sawit.
13. Needle Chart
kopi_data <- data1 %>%
filter(tanaman == "Kopi")
ggplot(kopi_data, aes(x = reorder(wilayah, produksi), y = produksi)) +
geom_segment(aes(xend = wilayah, yend = 0), color = "gray") +
geom_point(size = 4, color = "darkred") +
coord_flip() +
labs(
title = "Needle Chart Produksi Kopi per Wilayah",
x = "Wilayah",
y = "Produksi"
) +
theme_minimal()
Interpretasi
Needle chart ini menunjukkan perbandingan produksi kopi di berbagai wilayah di Indonesia. Setiap titik merepresentasikan jumlah produksi kopi pada masing-masing wilayah, sementara garis menunjukkan besarnya nilai produksi dari titik nol hingga nilai produksi tersebut.
Dari grafik terlihat bahwa Sumatra memiliki produksi kopi paling tinggi dibandingkan wilayah lainnya, dengan selisih yang cukup jauh. Hal ini menunjukkan bahwa wilayah Sumatra merupakan pusat utama produksi kopi di Indonesia. Wilayah Jawa berada pada posisi kedua dengan produksi yang cukup signifikan, namun masih jauh di bawah Sumatra. Sementara itu, Sulawesi serta Bali dan Nusa Tenggara memiliki tingkat produksi yang lebih rendah tetapi tetap memberikan kontribusi terhadap produksi kopi nasional.
Di sisi lain, wilayah Papua, Kalimantan, dan Maluku menunjukkan produksi kopi yang relatif kecil. Secara keseluruhan, grafik ini memperlihatkan bahwa produksi kopi di Indonesia cenderung terkonsentrasi pada wilayah tertentu, khususnya di Sumatra.
5 Kesimpulan
Berdasarkan berbagai visualisasi data yang telah dilakukan, terlihat bahwa produksi tanaman perkebunan di Indonesia tahun 2024 memiliki perbedaan yang cukup signifikan antar wilayah dan jenis komoditas. Komoditas kelapa sawit mendominasi total produksi perkebunan nasional dengan kontribusi yang jauh lebih besar dibandingkan komoditas lainnya seperti kelapa, karet, kopi, kakao, dan teh.
Selain itu, distribusi produksi juga tidak merata secara geografis. Wilayah Sumatra dan sebagian Kalimantan menjadi pusat utama produksi kelapa sawit, sementara Sulawesi menonjol dalam produksi kakao dan Sumatra dalam produksi kopi.
Melalui berbagai jenis visualisasi seperti bar chart, histogram, scatter plot, peta spasial, hingga needle chart, pola distribusi, hubungan antar komoditas, serta perbedaan produksi antar wilayah dapat terlihat dengan lebih jelas. Dengan demikian, visualisasi data berperan penting dalam membantu memahami karakteristik produksi perkebunan di Indonesia secara lebih informatif dan mudah dianalisis.