Penugasan R-markdown Business Intellegence
Pramuditya Rizky Devananta
2026-05-17
Pengerjaan dan visualisasi data kepengangguran di Dunia
Inputasi Data dan melihat susunan data
library(readr)
datakuis <- read_csv("/Users/pramudityadevanantagmail.com/Downloads/dataset_unemployment_2025_multicountry.csv")## Rows: 30 Columns: 11
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): continent, country
## dbl (9): year, unemployment_rate, youth_unemployment, gdp_per_capita, inflat...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.datakuis ## # A tibble: 30 × 11
## continent country year unemployment_rate youth_unemployment gdp_per_capita
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Asia Indonesia 2025 5 12.5 5200
## 2 Asia Malaysia 2025 3.2 9 13200
## 3 Asia Thailand 2025 1 4.2 8100
## 4 Asia Philippi… 2025 5.5 13.5 4200
## 5 Asia Vietnam 2025 2.5 7.5 4500
## 6 Asia India 2025 6.8 18 3000
## 7 Asia China 2025 4 11 13000
## 8 Europe Germany 2025 3 6.5 48000
## 9 Europe France 2025 7.5 16 42000
## 10 Europe Italy 2025 8.5 20 35000
## # ℹ 20 more rows
## # ℹ 5 more variables: inflation <dbl>, labor_force_participation <dbl>,
## # population <dbl>, education_index <dbl>, informal_employment <dbl>## spc_tbl_ [30 × 11] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ continent : chr [1:30] "Asia" "Asia" "Asia" "Asia" ...
## $ country : chr [1:30] "Indonesia" "Malaysia" "Thailand" "Philippines" ...
## $ year : num [1:30] 2025 2025 2025 2025 2025 ...
## $ unemployment_rate : num [1:30] 5 3.2 1 5.5 2.5 6.8 4 3 7.5 8.5 ...
## $ youth_unemployment : num [1:30] 12.5 9 4.2 13.5 7.5 18 11 6.5 16 20 ...
## $ gdp_per_capita : num [1:30] 5200 13200 8100 4200 4500 3000 13000 48000 42000 35000 ...
## $ inflation : num [1:30] 2.8 2.5 2 3.2 2.6 4.5 2.3 2.2 2.5 2.7 ...
## $ labor_force_participation: num [1:30] 69 70 71.5 66.5 72 65 67.5 75 71 69 ...
## $ population : num [1:30] 288 35.5 73 115 99 1410 1420 84 65 60 ...
## $ education_index : num [1:30] 0.71 0.81 0.77 0.69 0.75 0.64 0.78 0.88 0.87 0.85 ...
## $ informal_employment : num [1:30] 54 30 46 57 52 75 40 15 18 22 ...
## - attr(*, "spec")=
## .. cols(
## .. continent = col_character(),
## .. country = col_character(),
## .. year = col_double(),
## .. unemployment_rate = col_double(),
## .. youth_unemployment = col_double(),
## .. gdp_per_capita = col_double(),
## .. inflation = col_double(),
## .. labor_force_participation = col_double(),
## .. population = col_double(),
## .. education_index = col_double(),
## .. informal_employment = col_double()
## .. )
## - attr(*, "problems")=<externalptr>plot(datakuis$unemployment_rate, datakuis$education_index, type = "p",
main = "Bukti Hubungan Pendidikan dengan Pengangguran",
xlab = "Tingkat Pengangguran",
ylab = "Indeks Pendidikan")
Kesimpulan
grafik diatas membuktikan adanya hubungan antara pendidikan dengan
tingkat pengangguran.
dapat dilihat bahwa dengan semakin tingginya tingkat pengangguran dipengaruhi oleh rendahnya indeks pendidikan namun, semakin tingginya indeks pendidikan dapat membantu mengurangi dalam tingginya tingkat pengangguran.
Melakukan Visualisasi
xyplot(population~youth_unemployment, groups = continent, data = datakuis)
1. Scatterplot
digunakan untuk melihat hubungan antara variabel yang ada dengan tetap
memperhatikan setiap karakteristik variabel yang berbeda-beda
xyplot(population~youth_unemployment| factor(continent), data = datakuis,groups = country,
panel = function(x,y){
panel.lmline(x,y)
panel.abline(v = 20, lty = "dashed")
panel.text(19.5, 500, "batas kedewasaan", adj = c(1,0), cex = 0.7)
})
### Kesimpulan
berdasarkan pernyataan masyarakat secara umum bahwa umur legalitas
dan dapat diterimanya seseorang bekerja secara global adalah pada umur
18 tahun maka ini memnunjukkan suatu kekhawatiran baru dimana :
1. Pada Asia kita dapat melihat bahwa banyak anak
underage yang sudah bekerja pada kisaran umur 18
kebawah hingga 5 tahun yang membuat ini menjadi sedikit lebih
prihatin
2. Pada America menunjukkan bahwa tingkat pengangguran menurun di mulai
dari umur 20 yang menunjukkan pemerintah dapat menangani pengangguran di
masa remaja dan dapat memanfaatkan ketersediaan SDM yang ada
3. Pada Africa justru sebaliknya dia memiliki nilai kenaikan akan tetapi
tidak setinggi Asia yang mungkin bisa dipengaruhi seberapa banyak
masyarakat secara keseluruhan dari Africa itu sendiri
4. Benua Eropa memiliki nilai yang paling baik dimana kenaikan dan
kelonjakan tidak cukup terasa baik pada umur berapapun dan melihat dari
jumlah masyarakat yang cukup padat ini bisa diartikan bahwa
ketenagakerjaan eropa sudah sangat mumpuni dan mampu memanfaatkan SDM
yang ada dengan baik
5. Benua Oceania memiliki nilai yang sama baiknya namun berdasarkan
tingkat kependudukan yang tidak cukup tinggi maka kita bisa simpulkan
bahwa sebagai benua yang dihuni oleh negara berkembang, oceania sudah
cukup baik.
xyplot(unemployment_rate~education_index | factor(continent), data = datakuis, groups = country)
ggplot(data = datakuis,mapping = aes(x =youth_unemployment, fill = continent))+
geom_bar()
Kesimpulan
ini menunjukkan bahwa pada tingkat umur yang rendah Asia dan Amerika stabil mengalami kebutuhan lapangan pekerjaan yang dimaan bisa kita lihat mulai dari angka 5 di sumbu X yang terwakili oleh Asia dan juga pada setelah legalitas pada umur 20 amerika memiliki jumlah pengangguran yang masih bernilai
ggplot(datakuis, aes(x = continent))+
geom_boxplot(aes(y=informal_employment, fill = continent))
### Kesimpulan
berdasarkan boxplot diatas, kita dapat melihat perbedaan antara
negara maju dan negara berkembang dari segi kesiapannya tenaga kerja di
sektor informal: 1. Pada negara berkembang seperti Oceania umumnya
menunjukkan adanya jarak yang besar dimana antara negara negara
didalamnya sehingga menunjukkan bahwa negara yang berada pada Benua
Oceania masih sangat berkembang.
2. Jika kita melirik kepada Asia, Asia memiliki rata rata tenaga kerja
informal di angka 50 hingga 60% akan tetapi jarak antara Q1 dengan
mean masih menunjukkan adanya negara yang tidak terlalu
besar dari tenaga kerja informal.
3. Pada Amerika kita cukup melihat bahwa sektor tenaga kerja informal
cukup tinggi sehingga ini memiliki kesesuaian dengan tabel sebelumnya.
Pada Eropa menunjukkan bahwa negara ini tidak terlalu banyak dari segi
sektor tenaga kerja informal dikarenakan kultur yang sangat kuat dengan
teknikal yang mungkin mempengaruhi dari benua tersebut.
4. Afrika Cenderung memiliki tenaga kerja yang cukup banyak pada sektor
ini dikarenakan kentalnya adat dan budaya serta persebaran dari sektor
ini cukup menjamah ke segala penjuru negara didalamnya
ggplot(datakuis, aes(x = continent))+
geom_boxplot(aes(y=unemployment_rate, fill = continent))
Kesimpulan
melihat dari boxplot tingkat pengangguran dengan benuanya, kita bisa melihat bahwa afrika menduduki peringkat pertama dengan rata rata di angka 7.40 dan memiliki banyak negara didalamnya dengan pengangguran diatas rata rata. America memiliki 5.5 hingga 6 persen tingkat pengangguran dengan persebaran yang cukup merata di negara didalamnya. Asia dengan banyaknya negara didalamnya memiliki rata rata sejumlah 3.75-4 dengan persebaran yang sangat baik dan merata yang mengindikasikan bahwa hampir seluruh negara didalaam asia merupakan negara berpopulasi yang memiliki pengangguran. Untuk Eropa, rata-rata yang dapat kita lihat adalah sejumlah 5.0-6.25 dimana persebarannya sangat beraneka ragam yang mungkin diakibatkan oleh ketersediaan beberapa negara dalam mengatasi pengangguran ini. Pada Oceania secara mengejutkan dapat kita lihat bahwa dengan rata rata yang cukup tinggi diantara kisaran 5 - 6.25 kita dapatkan sebagian besar negara didalamnya memiliki pengangguran dibawah rata rata. Hasil boxplot ini cukup berbanding dengan pemaparan scatterplot sebelumnya yang telah kita lakukan.
bwplot(unemployment_rate~education_index | country, data = subset(datakuis, continent=="Asia"))
plotting dengan menggunakan bw