ANALISIS HARGA KOMODITAS PANGAN PADA KOTA DAN KABUPATEN DI JAWA TIMUR 2021-2023
INPUT DATA
# Data
head(data)## # A tibble: 6 × 6
## `Kota/Kabupaten` Tanggal `Harga Beras (Rp/kg)` `Harga Cabai Merah (Rp/kg)`
## <chr> <chr> <dbl> <dbl>
## 1 Kabupaten Pacitan 2021-01 12248. 28894.
## 2 Kabupaten Pacitan 2021-02 11883. 28127.
## 3 Kabupaten Pacitan 2021-03 11765. 34340.
## 4 Kabupaten Pacitan 2021-04 12121. 14694.
## 5 Kabupaten Pacitan 2021-05 11494. 32514.
## 6 Kabupaten Pacitan 2021-06 12733. 28194.
## # ℹ 2 more variables: `Curah Hujan (mm/bulan)` <dbl>,
## # `Tingkat Inflasi (%)` <dbl># Ubah format tanggal
data <- data %>%
mutate(
Tanggal = ym(Tanggal),
Tahun = year(Tanggal),
Bulan = month(Tanggal, label = TRUE, abbr = TRUE)
)
# Pastikan nama kolom mudah dipakai
data <- data %>%
rename(
kota = `Kota/Kabupaten`,
harga_beras = `Harga Beras (Rp/kg)`,
harga_cabai = `Harga Cabai Merah (Rp/kg)`,
curah_hujan = `Curah Hujan (mm/bulan)`,
inflasi = `Tingkat Inflasi (%)`
)
# Cek data kosong
colSums(is.na(data))## kota Tanggal harga_beras harga_cabai curah_hujan inflasi
## 0 0 0 0 0 0
## Tahun Bulan
## 0 0EKSPLORASI DATA
Harga beras biasanya lebih stabil karena standar deviasinya kecil.Harga cabai merah lebih fluktuatif karena standar deviasinya lebih besar.
statistik_kota <- data %>%
group_by(kota) %>%
summarise(
rata2_beras = mean(harga_beras, na.rm = TRUE),
sd_beras = sd(harga_beras, na.rm = TRUE),
min_beras = min(harga_beras, na.rm = TRUE),
max_beras = max(harga_beras, na.rm = TRUE),
rata2_cabai = mean(harga_cabai, na.rm = TRUE),
sd_cabai = sd(harga_cabai, na.rm = TRUE),
min_cabai = min(harga_cabai, na.rm = TRUE),
max_cabai = max(harga_cabai, na.rm = TRUE)
) %>%
arrange(desc(rata2_cabai))
print(statistik_kota)## # A tibble: 38 × 9
## kota rata2_beras sd_beras min_beras max_beras rata2_cabai sd_cabai min_cabai
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Kabu… 12062. 423. 10914. 12937. 32544. 7620. 18494.
## 2 Kabu… 11892. 509. 10750. 13160. 32339. 9670. 12777.
## 3 Kabu… 11973. 480. 10932. 13037. 32224. 7143. 18963.
## 4 Kabu… 12096. 523. 11172. 13141. 32001. 8795. 14935.
## 5 Kabu… 11882. 445. 10675. 12797. 31809. 7256. 19991.
## 6 Kota… 12122. 521. 10948. 13139. 31712. 9026. 13313.
## 7 Kabu… 12010. 505. 10923. 12998. 31660. 8013. 19072.
## 8 Kabu… 12041. 429. 11192. 13031. 31629. 7980. 15068.
## 9 Kabu… 12019. 473. 11143. 13030. 31372. 6760. 15930.
## 10 Kabu… 12153. 475. 11276. 13263. 31135. 9200. 10609.
## # ℹ 28 more rows
## # ℹ 1 more variable: max_cabai <dbl>BOXPLOT HARGA CABAI MERAH
ggplot(data, aes(x = reorder(kota, harga_cabai, median), y = harga_cabai)) +
geom_boxplot(outlier.color = "red", outlier.size = 2) +
coord_flip() +
labs(
title = "Distribusi Harga Cabai Merah per Kota/Kabupaten",
subtitle = "Provinsi Jawa Timur, Januari 2021 - Desember 2023",
x = "Kota/Kabupaten",
y = "Harga Cabai Merah (Rp/kg)"
) +
scale_y_continuous(labels = comma) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold"),
axis.text.y = element_text(size = 7)
)
CEK OUTLIER DATA
Kota/kabupaten dengan jumlah outlier terbanyak dapat dianggap memiliki harga cabai merah yang cenderung ekstrem selama periode pengamatan.
outlier_cabai <- data %>%
group_by(kota) %>%
mutate(
Q1 = quantile(harga_cabai, 0.25, na.rm = TRUE),
Q3 = quantile(harga_cabai, 0.75, na.rm = TRUE),
IQR_cabai = Q3 - Q1,
batas_bawah = Q1 - 1.5 * IQR_cabai,
batas_atas = Q3 + 1.5 * IQR_cabai,
status_outlier = ifelse(
harga_cabai < batas_bawah | harga_cabai > batas_atas,
"Outlier",
"Normal"
)
) %>%
ungroup()
jumlah_outlier <- outlier_cabai %>%
filter(status_outlier == "Outlier") %>%
group_by(kota) %>%
summarise(jumlah_outlier = n()) %>%
arrange(desc(jumlah_outlier))
print(jumlah_outlier)## # A tibble: 13 × 2
## kota jumlah_outlier
## <chr> <int>
## 1 Kabupaten Pacitan 4
## 2 Kabupaten Sumenep 2
## 3 Kota Madiun 2
## 4 Kota Probolinggo 2
## 5 Kabupaten Bangkalan 1
## 6 Kabupaten Gresik 1
## 7 Kabupaten Jombang 1
## 8 Kabupaten Magetan 1
## 9 Kabupaten Pamekasan 1
## 10 Kabupaten Pasuruan 1
## 11 Kabupaten Ponorogo 1
## 12 Kabupaten Tulungagung 1
## 13 Kota Blitar 1VISUALISASI TIME SERIES
# Filter Kota Pilihan
kota_pilihan <- c("Kota Surabaya", "Kota Malang","Kota Blitar")
data_ts <- data %>%
filter(kota %in% kota_pilihan)
# Time series harga beras
ggplot(data_ts, aes(x = Tanggal, y = harga_beras, color = kota)) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
labs(
title = "Time Series Harga Beras",
subtitle = "Beberapa Kota di Jawa Timur, 2021-2023",
x = "Tanggal",
y = "Harga Beras (Rp/kg)",
color = "Wilayah"
) +
scale_y_continuous(labels = comma) +
theme_minimal() +
theme(plot.title = element_text(face = "bold"))
# Time series harga cabai merah
ggplot(data_ts, aes(x = Tanggal, y = harga_cabai, color = kota)) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
labs(
title = "Time Series Harga Cabai Merah",
subtitle = "Beberapa Kota di Jawa Timur, 2021-2023",
x = "Tanggal",
y = "Harga Cabai Merah (Rp/kg)",
color = "Wilayah"
) +
scale_y_continuous(labels = comma) +
theme_minimal() +
theme(plot.title = element_text(face = "bold"))
FLUKTUASI HARGA
Fluktuasi tajam harga cabai merah dapat disebabkan oleh perubahan pasokan,cuaca ekstrem, gagal panen, gangguan distribusi, atau peningkatan permintaan pada periode tertentu.
fluktuasi <- data_ts %>%
arrange(kota, Tanggal) %>%
group_by(kota) %>%
mutate(
perubahan_beras = harga_beras - lag(harga_beras),
perubahan_cabai = harga_cabai - lag(harga_cabai)
) %>%
ungroup()
# Fluktuasi tajam harga beras
fluktuasi_beras_tajam <- fluktuasi %>%
group_by(kota) %>%
filter(abs(perubahan_beras) == max(abs(perubahan_beras), na.rm = TRUE)) %>%
select(kota, Tanggal, harga_beras, perubahan_beras)
print(fluktuasi_beras_tajam)## # A tibble: 3 × 4
## # Groups: kota [3]
## kota Tanggal harga_beras perubahan_beras
## <chr> <date> <dbl> <dbl>
## 1 Kota Blitar 2021-06-01 12471. 1301.
## 2 Kota Malang 2023-05-01 11412. -993.
## 3 Kota Surabaya 2021-07-01 11487. -1704.# Fluktuasi tajam harga cabai
fluktuasi_cabai_tajam <- fluktuasi %>%
group_by(kota) %>%
filter(abs(perubahan_cabai) == max(abs(perubahan_cabai), na.rm = TRUE)) %>%
select(kota, Tanggal, harga_cabai, perubahan_cabai)
print(fluktuasi_cabai_tajam)## # A tibble: 3 × 4
## # Groups: kota [3]
## kota Tanggal harga_cabai perubahan_cabai
## <chr> <date> <dbl> <dbl>
## 1 Kota Blitar 2022-12-01 10016. -26994.
## 2 Kota Malang 2023-10-01 40330. 27703.
## 3 Kota Surabaya 2021-02-01 43849. 29490.# Visualisasi beras dengan titik fluktuasi tajam
ggplot(fluktuasi, aes(x = Tanggal, y = harga_beras, color = kota)) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
geom_point(
data = fluktuasi_beras_tajam,
aes(x = Tanggal, y = harga_beras),
color = "black",
size = 4
) +
labs(
title = "Fluktuasi Tajam Harga Beras",
subtitle = "Titik hitam menunjukkan perubahan harga paling tajam",
x = "Tanggal",
y = "Harga Beras (Rp/kg)",
color = "Wilayah"
) +
scale_y_continuous(labels = comma) +
theme_minimal() +
theme(plot.title = element_text(face = "bold"))
# Visualisasi cabai dengan titik fluktuasi tajam
ggplot(fluktuasi, aes(x = Tanggal, y = harga_cabai, color = kota)) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
geom_point(
data = fluktuasi_cabai_tajam,
aes(x = Tanggal, y = harga_cabai),
color = "black",
size = 4
) +
labs(
title = "Fluktuasi Tajam Harga Cabai Merah",
subtitle = "Titik hitam menunjukkan perubahan harga paling tajam",
x = "Tanggal",
y = "Harga Cabai Merah (Rp/kg)",
color = "Wilayah"
) +
scale_y_continuous(labels = comma) +
theme_minimal() +
theme(plot.title = element_text(face = "bold"))
ANALISIS POLA MUSIMAN HARGA
Jika terdapat bulan tertentu dengan rata-rata harga lebih tinggi,maka dapat dikatakan terdapat indikasi pola musiman. Biasanya harga cabai merah lebih musiman dibanding harga beras.
pola_musiman <- data %>%
group_by(Bulan) %>%
summarise(
rata2_beras = mean(harga_beras, na.rm = TRUE),
rata2_cabai = mean(harga_cabai, na.rm = TRUE)
)
print(pola_musiman)## # A tibble: 12 × 3
## Bulan rata2_beras rata2_cabai
## <ord> <dbl> <dbl>
## 1 Jan 12027. 28815.
## 2 Feb 12028. 31699.
## 3 Mar 12042. 29808.
## 4 Apr 12035. 30515.
## 5 May 11990. 31197.
## 6 Jun 12036. 28704.
## 7 Jul 11970. 30173.
## 8 Aug 12015. 29490.
## 9 Sep 12003. 29479.
## 10 Oct 12052. 29750.
## 11 Nov 11978. 30455.
## 12 Dec 11994. 29757.# Ubah data ke format long agar mudah diplot
pola_musiman_long <- pola_musiman %>%
pivot_longer(
cols = c(rata2_beras, rata2_cabai),
names_to = "komoditas",
values_to = "harga"
) %>%
mutate(
komoditas = case_when(
komoditas == "rata2_beras" ~ "Beras",
komoditas == "rata2_cabai" ~ "Cabai Merah"
),
label_harga = paste0(comma(round(harga, 0))),
# Supaya label tidak menumpuk dengan garis
posisi_label = case_when(
komoditas == "Beras" ~ harga - 900,
komoditas == "Cabai Merah" ~ harga + 900
)
)
# Plot pola musiman dengan label harga
ggplot(pola_musiman_long, aes(x = Bulan, y = harga, group = komoditas, color = komoditas)) +
geom_line(linewidth = 1.2) +
geom_point(size = 3) +
geom_label(
aes(y = posisi_label, label = label_harga),
size = 3,
show.legend = FALSE,
label.size = 0.2
) +
labs(
title = "Pola Musiman Harga Beras dan Cabai Merah",
subtitle = "Rata-rata bulanan seluruh Kota/Kabupaten di Jawa Timur, 2021-2023",
x = "Bulan",
y = "Harga Rata-rata (Rupiah)",
color = "Komoditas"
) +
scale_y_continuous(labels = comma) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold"),
legend.position = "top"
)## Warning: The `label.size` argument of `geom_label()` is deprecated as of ggplot2 3.5.0.
## ℹ Please use the `linewidth` argument instead.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.