Anggota kelompok

*1.FUAT ABDUL HURAIRAH (3337260044)

*2.Agnan Qolbi (3337260169)

*3.Aditia firansyah (337260015)

*4.Arya adinata nugraha(3337260133)

1. Pendahuluan

Tuberkulosis(TBC)adalah penyakit menular yang masih marak penyebarannya di indonesia .Laporan ini menyajikan visualisasi data kategorik dan numerik dari jumlah kasus TBC (TB Paru) menurut provinsi di Indonesia, sebagai bagian dari Tugas Pendalaman Materi mata kuliah Statistika/Visualisasi Data.

Bidang fokus: Kesehatan.

2. Sumber Data

Data yang digunakan bersumber dari file "tabel_data_TBC_BPS.xlsx" yang berisi
jumlah kasus TBC (TB Paru) per provinsi di Indonesia, dikompilasi dari data
Badan Pusat Statistik (BPS) / Kementerian Kesehatan RI.

Link sumber data: https://www.bps.go.id/

alasan pemilihan data: Data ini dipilih karena membahas isu penyakit TBC yang merajalela di masyarakat, terlebih lagi datanya memiliki variabel kategorik dan numerik yang jelas, mencakup seluruh wilayah Indonesia sehingga memungkinkan perbandingan antar daerah, dan tersedia secara terbuka dari lembaga resmi sehingga kredibel untuk dianalisis.

3. Import dan Persiapan Data

library(readxl)
library(dplyr)
library(ggplot2)
library(scales)

data_tbc <- read_excel("tabel_data_TBC_BPS.xlsx")
colnames(data_tbc) <- c("Provinsi", "Kasus_TBC")

data_nasional <- data_tbc %>% filter(Provinsi == "Indonesia")
data_provinsi <- data_tbc %>% filter(Provinsi != "Indonesia")

data_provinsi <- data_provinsi %>%
  mutate(Pulau = case_when(
    Provinsi %in% c("Aceh", "Sumatera Utara", "Sumatera Barat", "Riau",
                     "Jambi", "Sumatera Selatan", "Bengkulu", "Lampung",
                     "Kepulauan Bangka Belitung", "Kepulauan Riau") ~ "Sumatera",
    Provinsi %in% c("DKI Jakarta", "Jawa Barat", "Jawa Tengah",
                     "DI Yogyakarta", "Jawa Timur", "Banten") ~ "Jawa",
    Provinsi %in% c("Bali", "Nusa Tenggara Barat", "Nusa Tenggara Timur") ~ "Bali & Nusa Tenggara",
    Provinsi %in% c("Gorontalo", "Sulawesi Barat") ~ "Sulawesi",
    Provinsi %in% c("Maluku", "Maluku Utara") ~ "Maluku",
    Provinsi %in% c("Papua Barat", "Papua") ~ "Papua",
    TRUE ~ "Lainnya"
  ))

data_provinsi

4. Statistik Deskriptif

summary(data_provinsi$Kasus_TBC)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1204    1907    4787   11198    8117   63053
data_provinsi %>%
  summarise(
    n_provinsi   = n(),
    rata_rata    = mean(Kasus_TBC),
    median       = median(Kasus_TBC),
    std_dev      = sd(Kasus_TBC),
    minimum      = min(Kasus_TBC),
    maksimum     = max(Kasus_TBC)
  )

5. Visualisasi Data Kategorik

5.1 Diagram Batang: 10 Provinsi dengan Kasus TBC Tertinggi

top10 <- data_provinsi %>%
  arrange(desc(Kasus_TBC)) %>%
  slice_head(n = 10)

ggplot(top10, aes(x = reorder(Provinsi, Kasus_TBC), y = Kasus_TBC)) +
  geom_col(fill = "#c0392b") +
  coord_flip() +
  scale_y_continuous(labels = comma) +
  labs(
    title = "10 Provinsi dengan Jumlah Kasus TBC Tertinggi",
    x = "Provinsi",
    y = "Jumlah Kasus TBC"
  ) +
  theme_minimal(base_size = 12)

Interpretasi: Diagram batang di atas menunjukkan bahwa Jawa Barat menempati posisi tertinggi dalam jumlah kasus TBC, jauh di atas provinsi lainnya, diikuti oleh Jawa Timur dan Jawa Tengah. Ketiga provinsi ini merupakan provinsi dengan jumlah penduduk terpadat di Indonesia, sehingga sejalan dengan pola umum bahwa kepadatan penduduk berkontribusi terhadap tingginya penularan TBC.

5.2 Diagram Lingkaran: Proporsi Kasus TBC Menurut Pulau

data_pulau <- data_provinsi %>%
  group_by(Pulau) %>%
  summarise(Total_Kasus = sum(Kasus_TBC)) %>%
  mutate(Persentase = Total_Kasus / sum(Total_Kasus) * 100)

ggplot(data_pulau, aes(x = "", y = Total_Kasus, fill = Pulau)) +
  geom_col(width = 1, color = "white") +
  coord_polar(theta = "y") +
  geom_text(aes(label = paste0(round(Persentase, 1), "%")),
            position = position_stack(vjust = 0.5), size = 3.5, color = "white") +
  labs(title = "Proporsi Kasus TBC Menurut Kelompok Pulau", fill = "Pulau") +
  theme_void(base_size = 12)

Interpretasi: Pulau Jawa menyumbang proporsi kasus TBC yang paling besar dibandingkan pulau-pulau lain pada data ini, sejalan dengan tingginya jumlah penduduk di Pulau Jawa. Wilayah Maluku dan Sulawesi (pada subset data ini) menyumbang proporsi yang jauh lebih kecil.

6. Visualisasi Data Numerik

6.1 Histogram: Distribusi Jumlah Kasus TBC Antar Provinsi

ggplot(data_provinsi, aes(x = Kasus_TBC)) +
  geom_histogram(bins = 8, fill = "#2980b9", color = "white") +
  scale_x_continuous(labels = comma) +
  labs(
    title = "Distribusi Jumlah Kasus TBC Antar Provinsi",
    x = "Jumlah Kasus TBC",
    y = "Frekuensi (Jumlah Provinsi)"
  ) +
  theme_minimal(base_size = 12)

Interpretasi: Histogram menunjukkan distribusi yang menjulur ke kanan: sebagian besar provinsi memiliki jumlah kasus TBC yang relatif rendah (di bawah 10.000 kasus), sementara hanya segelintir provinsi (terutama di Pulau Jawa) yang memiliki jumlah kasus sangat tinggi. Pola ini menunjukkan adanya kesenjangan beban kasus TBC yang besar antar wilayah.

6.2 Boxplot: Sebaran dan Deteksi Jumlah Kasus TBC per Daerah

ggplot(data_provinsi, aes(x = reorder(Provinsi, Kasus_TBC), y = Kasus_TBC)) +
  geom_boxplot(fill = "#27ae60", width = 0.4, outlier.color = "red", outlier.size = 3) +
  scale_y_continuous(labels = comma) +
  labs(
    title = "Boxplot Jumlah Kasus TBC per Provinsi",
    x = "Provinsi", y = "Jumlah Kasus TBC"
  ) +
  theme_minimal(base_size = 12) +
  theme(axis.text.x = element_text(angle = 90, hjust = 1, vjust = 0.5))

Interpretasi: Grafik memperlihatkan jumlah kasus TBC pada masing-masing provinsi, diurutkan dari yang terendah ke tertinggi. .Jawa Barat, Jawa Timur, dan Jawa Tengah tampak sangat menonjol dibanding provinsi lain yang sebagian besar berada di bawah 10.000 kasus, menegaskan adanya kesenjangan beban kasus TBC yang besar antar provinsi.

7. Kesimpulan

  1. Secara kategorik, kasus TBC terkonsentrasi di provinsi-provinsi di Pulau Jawa, dengan Jawa Barat sebagai penyumbang kasus terbesar.

  2. Secara numerik, distribusi jumlah kasus TBC antar provinsi bersifat tidak merata (menjulur ke kanan) dengan beberapa provinsi padat penduduk sebagai outlier bernilai tinggi.

  3. Temuan ini mengindikasikan bahwa kepadatan penduduk berasosiasi dengan tingginya jumlah kasus TBC, sehingga program penanggulangan TBC perlu diprioritaskan pada wilayah-wilayah dengan beban kasus tertinggi tanpa mengabaikan wilayah lain.

    Klik di sini untuk mengunduh Data Excel