Latihan Mandiri R Studio Ulangi ketiga langkah R Studio dari PPT materi pada data berikut (kualitas udara kota Y, 3 stasiun, 7 hari), lalu tulis satu rekomendasi strategi informasi.

Langkah 1: Cek Kelengkapan Data

# Latihan mandiri: kualitas udara Kota Y
data_latihan <- data.frame(
hari = 1:7,
Stasiun_P = c(35, 38, NA, 41, 39, 37, 40),
Stasiun_Q = c(58, 60, 57, NA, NA, 62, 59),
Stasiun_R = c(25, 27, 26, 28, 24, NA, 29)
)
ambang <- 55 # µg/m3, ambang ilustratif

# Langkah 1: cek kelengkapan data per stasiun
n_hari <- nrow(data_latihan)
lengkap <- sapply(data_latihan[,-1], function(x) sum(!is.na(x)))
persen <- round(lengkap / n_hari * 100, 1)

tabel_kelengkapan <- data.frame(
  stasiun = names(lengkap),
  tersedia = lengkap,
  persen_lengkap = persen
)

tabel_kelengkapan
##             stasiun tersedia persen_lengkap
## Stasiun_P Stasiun_P        6           85.7
## Stasiun_Q Stasiun_Q        5           71.4
## Stasiun_R Stasiun_R        6           85.7

Terdapat data yang tidak lengkap pada stasiun, paling banyak pada stasiun Q dengan 5 data lebgkap (71,4%).

Langkah 2: Ringkasan dan Klasifikasi Prioritas

# Langkah 2: rata-rata & klasifikasi prioritas
rata2 <- round(sapply(data_latihan[,-1], mean, na.rm = TRUE), 1)
ringkasan <- data.frame(
Stasiun = names(rata2),
Rata2_PM25 = rata2,
Persen_Lengkap = persen
)
ringkasan$Prioritas <- ifelse(ringkasan$Rata2_PM25 > ambang |
ringkasan$Persen_Lengkap < 80, "Prioritas Tinggi", "Normal")

print(ringkasan)
##             Stasiun Rata2_PM25 Persen_Lengkap        Prioritas
## Stasiun_P Stasiun_P       38.3           85.7           Normal
## Stasiun_Q Stasiun_Q       59.2           71.4 Prioritas Tinggi
## Stasiun_R Stasiun_R       26.5           85.7           Normal

Dari hasil ringkasan dan klasifikasi, terdapat 1 stasiun yang masuk dalam kategori prioritas tinggi, yaitu stasiun Q dengan rata-rata konsentrasi PM2.5 sebesar 59,2 µg/m3 (lebih dari ambang batas 55 µg/m3).

Langkah 3: Visualisasi Tren

library(ggplot2); library(tidyr)
data_long <- pivot_longer(data_latihan,
cols = starts_with("Stasiun"),
names_to = "Stasiun", values_to = "PM25")
ggplot(data_long,
aes(hari, PM25, color = Stasiun)) +
geom_line(linewidth = 1, na.rm = TRUE) +
geom_point(size = 2, na.rm = TRUE) +
geom_hline(yintercept = 55,
linetype = "dashed",
color = "red") +
labs(title = "Tren PM2.5 per Stasiun",
x = "Hari ke-",
y = "PM2.5 (µg/m³)") +
theme_minimal()

Berdasarkan grafik tren PM2.5, terlihat adanya perbedaan konsentrasi antarstasiun. Stasiun Q memiliki konsentrasi PM2.5 paling tinggi dan cenderung konsisten berada di atas batas acuan 55 µg/m³. Sementara itu, Stasiun_P berada pada kisaran 35 sampai 41 µg/m³ dan Stasiun_R merupakan stasiun dengan konsentrasi terendah, yaitu sekitar 24 sampai 29 µg/m³. Secara umum, ketiga stasiun menunjukkan fluktuasi harian, tetapi pola Stasiun_Q relatif lebih tinggi dibandingkan dua stasiun lainnya.

Rekomendasi Strategi Strategi yang dapat diterapkan adalah meningkatkan pemantauan dan pengendalian kualitas udara terutama pada Stasiun_Q, karena konsentrasi PM2.5 secara konsisten berada di atas batas acuan. Upaya dapat dilakukan melalui identifikasi sumber emisi di sekitar stasiun, pengendalian emisi dari aktivitas transportasi maupun kegiatan pembakaran, serta peningkatan pemantauan kualitas udara secara berkala. Sementara itu, Stasiun_P dan Stasiun_R tetap perlu dipantau untuk memastikan konsentrasi PM2.5 tetap berada pada tingkat yang terkendali.