Visualisasi Data Harga Cabai dan Beras Pada Provinsi Jawa Timur
Ridwan Akbar Wahyu Ramadhan
2026-05-15
#Load Library
##Upload Data
Df = read_excel("C:/Users/LEONOVOLOQ/Downloads/Data_Sosial_Ekonomi_Jatim_2021_2023.xlsx")
head(Df)## # A tibble: 6 × 7
## Tahun Bulan `Kota/Kabupaten` `Harga Beras (Rp/kg)` Harga Cabai Merah (Rp/…¹
## <dbl> <chr> <chr> <dbl> <dbl>
## 1 2021 January Surabaya 9835 70344
## 2 2021 February Surabaya 10561 66055
## 3 2021 March Surabaya 9954 28795
## 4 2021 April Surabaya 10471 38820
## 5 2021 May Surabaya 10455 37771
## 6 2021 June Surabaya 9981 62924
## # ℹ abbreviated name: ¹​`Harga Cabai Merah (Rp/kg)`
## # ℹ 2 more variables: `Curah Hujan (mm/bulan)` <dbl>,
## # `Tingkat Inflasi (%)` <dbl>summary(Df)## Tahun Bulan Kota/Kabupaten Harga Beras (Rp/kg)
## Min. :2021 Length:360 Length:360 Min. : 9648
## 1st Qu.:2021 Class :character Class :character 1st Qu.:10504
## Median :2022 Mode :character Mode :character Median :11435
## Mean :2022 Mean :11456
## 3rd Qu.:2023 3rd Qu.:12390
## Max. :2023 Max. :13330
## Harga Cabai Merah (Rp/kg) Curah Hujan (mm/bulan) Tingkat Inflasi (%)
## Min. :25307 Min. : 0.0 Min. :1.800
## 1st Qu.:34616 1st Qu.: 60.0 1st Qu.:2.465
## Median :41819 Median :165.5 Median :3.265
## Mean :47057 Mean :191.6 Mean :3.447
## 3rd Qu.:60714 3rd Qu.:312.0 3rd Qu.:4.130
## Max. :81426 Max. :499.0 Max. :6.450#Visualisasi BoxPlot
#Harga Beras
Statistik_Beras = Df %>%
group_by(`Kota/Kabupaten`) %>%
summarise(
Mean_Beras = mean(`Harga Beras (Rp/kg)`, na.rm = TRUE),
SD_Beras = sd(`Harga Beras (Rp/kg)`, na.rm = TRUE),
Min_Beras = min(`Harga Beras (Rp/kg)`, na.rm = TRUE),
Max_Beras = max(`Harga Beras (Rp/kg)`, na.rm = TRUE)
)
Statistik_Beras## # A tibble: 10 × 5
## `Kota/Kabupaten` Mean_Beras SD_Beras Min_Beras Max_Beras
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Banyuwangi 11402. 1024. 9648 13028
## 2 Jember 11481. 1113. 9699 13085
## 3 Kediri 11513. 1125. 9784 13330
## 4 Madiun 11384. 897. 9880 13104
## 5 Malang 11457. 988. 9853 12848
## 6 Mojokerto 11528. 1068. 9961 13183
## 7 Pasuruan 11485. 1021. 9928 13281
## 8 Probolinggo 11423. 1031. 9654 13085
## 9 Surabaya 11421. 1034. 9835 13305
## 10 Tuban 11465. 1074. 9723 13291#Harga Cabai
Statistik_Cabai = Df %>%
group_by(`Kota/Kabupaten`) %>%
summarise(
Mean_Beras = mean(`Harga Cabai Merah (Rp/kg)`, na.rm = TRUE),
SD_Beras = sd(`Harga Cabai Merah (Rp/kg)`, na.rm = TRUE),
Min_Beras = min(`Harga Cabai Merah (Rp/kg)`, na.rm = TRUE),
Max_Beras = max(`Harga Cabai Merah (Rp/kg)`, na.rm = TRUE)
)
Statistik_Cabai## # A tibble: 10 × 5
## `Kota/Kabupaten` Mean_Beras SD_Beras Min_Beras Max_Beras
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Banyuwangi 48494. 16731. 27407 79098
## 2 Jember 46177. 16753. 26247 76911
## 3 Kediri 45781. 15006. 29004 80916
## 4 Madiun 47484. 16625. 25307 81426
## 5 Malang 48102. 15272. 30184 80027
## 6 Mojokerto 46976. 14656. 25349 79413
## 7 Pasuruan 46833. 15626. 25639 80080
## 8 Probolinggo 47332. 16800. 28227 77197
## 9 Surabaya 47635. 14582. 28795 81260
## 10 Tuban 45754. 16139. 25510 79195#Boxplot Harga Cabai Merah
ggplot(data = Df) + geom_boxplot(mapping = aes(x = `Kota/Kabupaten` , y = `Harga Cabai Merah (Rp/kg)`, fill = `Kota/Kabupaten`))
Dapat dilihat pada box plot dan hasil harga cabai dapat ditarik
kesimpulan bahwa fluktuasi harga cabai tertinggi adalah Probolinggo
dikarenakan memiliki Stdev trtinggi, sedangkan wilayah dengan rata -
rata cabai tertinggi adalah Banyuwangi sebesar 48.494, sedangkan wilayah
dengan harga cabai tertinggi adalah Kediri, Madiun, dan Surabaya harga
mencapai lebh dari 80 ribu.
#Visualisasi Time Series dan Identifikasi Trend Dua Kota
Df$Tanggal <- as.Date(
paste(Df$Tahun, Df$Bulan, "1"),
format = "%Y %B %d"
)
Df <- na.omit(Df)
# Filter 2 kota
Data_2Kota <- Df %>%
filter(`Kota/Kabupaten`
%in% c("Surabaya","Malang"))
#Time Series Beras
# Time Series Cabai
ggplot(Data_2Kota,
aes(x = Tanggal,
y = `Harga Cabai Merah (Rp/kg)`,
color = `Kota/Kabupaten`)) +
geom_line(linewidth = 1) +
scale_x_date(
date_labels = "%b %Y"
) +
labs(
title = "Multiple Time Series Harga Cabai",
x = "Periode",
y = "Harga Cabai"
) +
theme_minimal()
#Time Series Beras
ggplot(Data_2Kota,
aes(x = Tanggal,
y = `Harga Beras (Rp/kg)`,
color = `Kota/Kabupaten`)) +
geom_line(size = 1) +
scale_x_date(
date_labels = "%b %Y"
) +
labs(
title = "Multiple Time Series Harga Beras",
x = "Periode",
y = "Harga Beras"
) +
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 every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Berdasarkan Grafik Time Series Harga Beras dari Kota Surabaya dan Malang
keduanya menunjukan tren kenaikan yang lebih stabil dibandingkan harga
cabai. Sementara, Harga Cabai cenderung fluktuatif dan mirip antara
kedua kota dan ada pola seasonal dimana harga akan cenderung melonjak
pada Bulan Januari.
#Identifikasi Korelasi Harga Cabai terhadap Inflasi dan Tingkat Curah Hujan
#Harga Cabai vs Inflasi
xyplot( `Harga Cabai Merah (Rp/kg)` ~ `Tingkat Inflasi (%)`| `Kota/Kabupaten`, Df, main ="Harga Cabai vs Inflasi ", ylab = "Harga Cabai", xlab = "Tingkat Inflasi",
panel = function(x,y){panel.xyplot(x,y);
panel.lmline(x,y,col= "red");panel.abline(v = 100, col = "green")})
#Harga Cabai vs Curah Hujan
xyplot( `Harga Cabai Merah (Rp/kg)` ~ `Curah Hujan (mm/bulan)`| `Kota/Kabupaten`, Df, main ="Harga Cabai vs Curah Hujan ", ylab = "Harga Cabai", xlab = "Curah Hujan",
panel = function(x,y){panel.xyplot(x,y);
panel.lmline(x,y,col= "red");panel.abline(v = 100, col = "green")})
Berdasarkan Hasil Plot curah hujan diatas dapat diambil kesimpulan bahwa
kenaikan curah hujan garis regresinya berpengaruh signifikan terhadap
kenaikan harga cabai karena beberapa plot harga cabai tampak naik ketika
searah garis regresi tetapi hal ini juga dilemahkan oleh persebaran data
yang cukup luas. Sementara untuk tingkat inflasi hanya berpengaruh
terhadap beberapa wilayah saja, Kota - kota besar seperti Surabaya
bahkan garis regresinya cenderung turun yang artinya korelasi negatif.
Sedangkan, yang benar - benar berpengaruh signifikan hanya terjadi pada
wilayah seperti Jember dan Tuban. Sisanya cenderung turun atau korelasi
negatif.
#Visualisasi Persebaran Harga Cabai Pada Wilayah di Jawa Timur
#Rata-Rata Harga
Rata_Harga = Df %>%
filter(Tahun == 2023) %>%
group_by(`Kota/Kabupaten`) %>%
summarise(
rata_harga =
mean(`Harga Beras (Rp/kg)`,
na.rm = TRUE)
)
# Import shapefile
geo = st_read("C:/Users/LEONOVOLOQ/Downloads/[geosai.my.id]Jawa_Timur_Kab/Jawa_Timur_ADMIN_BPS.shp")## Reading layer `Jawa_Timur_ADMIN_BPS' from data source
## `C:\Users\LEONOVOLOQ\Downloads\[geosai.my.id]Jawa_Timur_Kab\Jawa_Timur_ADMIN_BPS.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 38 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 110.8987 ymin: -8.78036 xmax: 116.2702 ymax: -5.048857
## Geodetic CRS: WGS 84# Menggabungkan data
geo[,8] = Df[,4]## Warning in `[<-.data.frame`(`*tmp*`, , 8, value = structure(list(`Harga Beras
## (Rp/kg)` = c(9835, : replacement element 1 has 360 rows to replace 38 rows# Peta map
ggplot(data = geo) +
geom_sf(
aes(fill =`Harga Beras (Rp/kg)`)
) +
scale_fill_viridis_c(
option = "inferno", direction = -1
) +
theme_void() +
labs(
title = "Peta Rata-rata Harga Beras Jawa Timur"
)
Berdasarkan hasil Visual Map Rata-Rata Harga Beras di Jawa Timur Wilayah
dengan rata-rata harga beras tertinggi antara lain Jember, Banyuwangi,
dan Pacitan. Sementara beberapa wilayah dengan rata rata harga beras
terendah antara lain Surabaya, Bangkalan, dan Blitar. Perbedaan ini
menunjukkan bahwa Harga Beras juga dipengaruhi oleh faktor distribusi
antar wilayah yang belum merata.