1 Informasi dan Ulasan Data

Data yang digunakan adalah Jumlah Perjalanan Wisatawan Nusantara Menurut Provinsi Tujuan Tahun 2025, difokuskan pada 5 provinsi: Banten, Jawa Barat, DKI Jakarta, Lampung, dan Maluku. Data mencakup jumlah perjalanan wisatawan bulanan (Januari-Desember) serta total tahunan untuk masing-masing provinsi. Seluruh visualisasi pada laporan ini memanfaatkan rincian bulanan tersebut, bukan hanya angka totalnya.

Link data: https://www.bps.go.id/id/statistics-table/2/MjIwMSMy/jumlah-perjalanan-wisatawan-nusantara-menurut-provinsi-tujuan--perjalanan-.html
Link Excel: https://docs.google.com/spreadsheets/d/1OJjXWv_kqkbJrDFeAHSI93nxfRf_rIxsCW1dQdvAE-E/edit?usp=sharing
Sumber data: Badan Pusat Statistik (BPS) — Statistik Wisatawan Nusantara
Review singkat kenapa memilih data ini: Data ini relevan untuk bidang ekonomi/pariwisata, karena memberikan gambaran provinsi mana yang paling banyak dikunjungi wisatawan domestik pada 2025, sekaligus menunjukkan pola musiman kunjungan sepanjang tahun (misalnya menjelang Idulfitri/musim mudik).

2 Memuat Data

raw <- read_excel("Jumlah_Perjalanan_Wisatawan_Nusantara_5_Provinsi_2025.xlsx",
                   skip = 4,
                   col_names = c("Provinsi", "Januari", "Februari", "Maret", "April",
                                 "Mei", "Juni", "Juli", "Agustus", "September",
                                 "Oktober", "November", "Desember", "Tahunan"))

data_wisata <- raw %>%
  mutate(across(-Provinsi, as.numeric))

data_wisata %>%
  knitr::kable(format.args = list(big.mark = ".")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE,
                font_size = 12) %>%
  row_spec(0, background = "#1b263b", color = "white", bold = TRUE) %>%
  scroll_box(width = "100%")

Provinsi	Januari	Februari	Maret	April	Mei	Juni	Juli	Agustus	September	Oktober	November	Desember	Tahunan
BANTEN	5.374.964	4.933.130	4.906.087	6.510.839	5.298.701	5.346.246	5.125.363	4.929.333	4.910.953	5.027.944	5.003.377	5.189.645	62.556.582
JAWA BARAT	17.926.093	15.161.782	15.034.773	22.522.037	17.697.435	18.751.277	17.765.843	16.643.119	17.026.198	17.043.246	17.664.008	18.527.110	211.762.921
DKI JAKARTA	7.771.684	7.942.806	7.460.546	8.000.591	8.247.240	8.508.931	8.604.137	8.121.839	8.061.852	8.641.118	8.764.617	9.271.631	99.396.992
LAMPUNG	2.222.813	1.789.402	1.661.838	2.992.879	2.309.209	2.619.503	2.301.590	2.211.846	2.159.343	2.237.236	2.197.005	2.388.116	27.090.780
MALUKU	313.240	275.693	266.268	375.432	279.052	290.252	303.821	258.187	283.902	300.887	314.690	343.320	3.604.744

Untuk keperluan visualisasi, data di atas juga dibentuk ulang ke format panjang (long format) agar setiap baris mewakili satu kombinasi provinsi-bulan:

data_long <- data_wisata %>%
  select(-Tahunan) %>%
  pivot_longer(-Provinsi, names_to = "Bulan", values_to = "Jumlah") %>%
  mutate(Bulan = factor(Bulan, levels = c("Januari", "Februari", "Maret", "April", "Mei",
                                           "Juni", "Juli", "Agustus", "September",
                                           "Oktober", "November", "Desember")))

3 Visualisasi Data Kategorik

Variabel Provinsi merupakan data kategorik (nominal), sehingga divisualisasikan dengan Bar Chart dan Pie Chart — keduanya memakai rincian bulanan, bukan sekadar angka total tahunan.

3.1 Kontribusi Bulanan terhadap Total per Provinsi (Stacked Bar Chart)

ggplot(data_long, aes(x = reorder(Provinsi, -Jumlah, FUN = sum), y = Jumlah, fill = Bulan)) +
  geom_col() +
  labs(
    title = "Kontribusi Tiap Bulan terhadap Total Perjalanan Wisatawan",
    subtitle = "5 Provinsi, Tahun 2025",
    x = "Provinsi",
    y = "Jumlah Perjalanan"
  ) +
  scale_y_continuous(labels = comma) +
  scale_fill_viridis_d(option = "turbo") +
  theme_minimal(base_size = 11) +
  theme(axis.text.x = element_text(angle = 15, hjust = 1),
        plot.title = element_text(face = "bold"),
        legend.position = "right")

Interpretasi: Berbeda dari bar chart sederhana yang hanya menampilkan satu angka total per provinsi, stacked bar chart ini membandingkan provinsi (kategori) sekaligus menunjukkan bagaimana total tersebut disusun dari 12 bulan. Terlihat jelas bahwa Jawa Barat memiliki batang tertinggi dengan segmen bulan April yang tampak lebih tebal dibanding bulan lain di semua provinsi, menandakan lonjakan wisatawan yang konsisten terjadi pada bulan itu di seluruh provinsi, bukan hanya di satu tempat.

3.2 Proporsi Wisatawan Antarprovinsi pada Bulan Puncak (Pie Chart)

data_pie <- data_long %>%
  filter(Bulan == "April") %>%
  mutate(persen = Jumlah / sum(Jumlah) * 100,
         label = paste0(Provinsi, "\n", round(persen, 1), "%"))

ggplot(data_pie, aes(x = "", y = Jumlah, fill = Provinsi)) +
  geom_col(width = 1, color = "white") +
  coord_polar(theta = "y") +
  geom_text(aes(label = label), position = position_stack(vjust = 0.5), size = 3.2) +
  labs(title = "Proporsi Wisatawan Antarprovinsi pada Bulan Puncak (April)",
       subtitle = "Tahun 2025") +
  theme_void(base_size = 12) +
  theme(legend.position = "none", plot.title = element_text(face = "bold", hjust = 0.5, size = 11))

Interpretasi: Alih-alih memakai proporsi tahunan yang sudah umum, pie chart ini secara khusus menyoroti bulan puncak (April) — bulan dengan jumlah wisatawan tertinggi di hampir semua provinsi. Jawa Barat tetap mendominasi (~53%) bahkan pada bulan puncak, menunjukkan bahwa lonjakan musiman terjadi secara proporsional di semua provinsi, bukan mengubah komposisi pangsa wisatawan antarprovinsi secara signifikan.

4 Visualisasi Data Numerik

Variabel jumlah perjalanan bulanan (60 observasi: 5 provinsi x 12 bulan) merupakan data numerik, divisualisasikan dengan empat pendekatan berbeda: Histogram, Polygon Frekuensi, Line Chart, dan Box-and-Whisker Plot.

4.1 Distribusi Jumlah Perjalanan Bulanan (Histogram)

Karena skala antarprovinsi berbeda jauh (Jawa Barat mencapai puluhan juta per bulan, sementara Maluku hanya ratusan ribu), data ditransformasi ke skala logaritma (log10) agar bentuk sebarannya dapat terlihat jelas dalam satu histogram gabungan. Transformasi log berbeda dengan “memotong sumbu Y” yang dibahas sebagai bias visual — di sini seluruh sumbu tetap utuh dari nilai minimum, hanya skalanya yang diubah agar data yang berbeda beberapa orde besaran bisa dibandingkan secara adil.

data_log <- data_long %>% mutate(log_jumlah = log10(Jumlah))

ggplot(data_log, aes(x = log_jumlah)) +
  geom_histogram(binwidth = 0.2, boundary = 5, fill = "#712B13", color = "white") +
  labs(
    title = "Distribusi Jumlah Perjalanan Wisatawan Bulanan",
    subtitle = "Gabungan 5 Provinsi x 12 Bulan (skala log10)",
    x = "log10(Jumlah Perjalanan)",
    y = "Frekuensi (jumlah bulan-provinsi)"
  ) +
  theme_minimal(base_size = 11) +
  theme(plot.title = element_text(face = "bold"))

Interpretasi: Histogram menggambarkan bentuk dan pola sebaran data numerik kontinu. Terlihat sebaran yang multimodal (beberapa puncak), mencerminkan lima provinsi dengan skala jumlah wisatawan yang sangat berbeda — puncak di sekitar log10 ≈ 5,5 mewakili bulan-bulan Maluku dan Lampung yang lebih kecil, sementara puncak di sekitar log10 ≈ 7,3 mewakili bulan-bulan Jawa Barat yang jauh lebih besar. Pola ini menegaskan kesenjangan jumlah wisatawan yang besar antarprovinsi di kelompok data ini.

4.2 Bentuk Sebaran secara Halus (Polygon Frekuensi)

bins <- seq(5.2, 7.6, by = 0.2)
hist_obj <- hist(data_log$log_jumlah, breaks = bins, plot = FALSE)
poly_df <- data.frame(mid = hist_obj$mids, freq = hist_obj$counts)

ggplot(poly_df, aes(x = mid, y = freq)) +
  geom_area(fill = "#712B13", alpha = 0.15) +
  geom_line(color = "#712B13", linewidth = 1) +
  geom_point(color = "#712B13", size = 2.5) +
  labs(
    title = "Polygon Frekuensi Jumlah Perjalanan Wisatawan Bulanan",
    subtitle = "Titik Tengah Kelas Interval (skala log10)",
    x = "Titik Tengah log10(Jumlah Perjalanan)",
    y = "Frekuensi"
  ) +
  theme_minimal(base_size = 11) +
  theme(plot.title = element_text(face = "bold"))

Interpretasi: Polygon frekuensi menghubungkan titik tengah puncak setiap batang histogram sebelumnya, menghasilkan garis yang lebih halus untuk melihat bentuk sebaran. Dua “bukit” pada garis ini semakin menegaskan sifat multimodal data: kelompok provinsi dengan skala kecil (Maluku, Lampung) dan kelompok provinsi dengan skala besar (Jawa Barat, DKI Jakarta, Banten) membentuk dua kelompok sebaran yang cukup terpisah.

4.3 Tren Bulanan Perjalanan Wisatawan (Line Chart)

ggplot(data_long, aes(x = Bulan, y = Jumlah, color = Provinsi, group = Provinsi)) +
  geom_line(linewidth = 1) +
  geom_point(size = 1.8) +
  labs(
    title = "Tren Bulanan Jumlah Perjalanan Wisatawan Nusantara",
    subtitle = "5 Provinsi, Tahun 2025",
    x = "Bulan",
    y = "Jumlah Perjalanan"
  ) +
  scale_y_continuous(labels = comma) +
  theme_minimal(base_size = 10.5) +
  theme(axis.text.x = element_text(angle = 40, hjust = 1),
        plot.title = element_text(face = "bold"),
        legend.position = "bottom")

Interpretasi: Line chart dipilih karena tepat untuk menunjukkan tren atau perubahan nilai numerik dari waktu ke waktu (data time series). Kelima provinsi menunjukkan pola musiman yang serupa: lonjakan tajam pada bulan April (musim mudik/Idulfitri), lalu kembali menurun pada bulan-bulan berikutnya. Jawa Barat dan DKI Jakarta konsisten berada jauh di atas provinsi lain sepanjang tahun, sementara Maluku nyaris membentuk garis datar di bagian bawah grafik karena skalanya yang jauh lebih kecil.

4.4 Sebaran Jumlah Perjalanan Bulanan per Provinsi (Box-and-Whisker Plot)

ggplot(data_long, aes(x = reorder(Provinsi, -Jumlah, FUN = median), y = Jumlah, fill = Provinsi)) +
  geom_boxplot(outlier.color = "#712B13", outlier.size = 2.5) +
  labs(
    title = "Sebaran Jumlah Perjalanan Wisatawan Bulanan per Provinsi",
    subtitle = "Tahun 2025 (12 bulan)",
    x = "Provinsi",
    y = "Jumlah Perjalanan per Bulan"
  ) +
  scale_y_continuous(labels = comma) +
  theme_minimal(base_size = 11) +
  theme(legend.position = "none", axis.text.x = element_text(angle = 15, hjust = 1),
        plot.title = element_text(face = "bold"))

Interpretasi: Boxplot merangkum sebaran 12 nilai bulanan tiap provinsi melalui lima angka ringkasan (minimum, Q1, median, Q3, maksimum) dan mampu mendeteksi outlier. Jawa Barat memiliki rentang sebaran (kotak) yang paling lebar, menandakan variasi jumlah wisatawan antarbulan yang cukup besar, dengan titik bulan April yang tampak sebagai outlier di atas kumis atas pada beberapa provinsi — konsisten dengan lonjakan musiman yang terlihat pada line chart, histogram, dan polygon frekuensi. Sebaliknya, Maluku memiliki kotak yang sangat sempit karena jumlah wisatawan bulanannya relatif stabil dan kecil sepanjang tahun.

5 Ringkasan

Kelompok Data	Jenis Grafik	Insight Utama
Kategorik	Stacked Bar Chart	Jawa Barat memimpin jauh, dengan segmen April yang menonjol di semua provinsi
Kategorik	Pie Chart (bulan puncak)	Komposisi pangsa antarprovinsi relatif stabil bahkan pada bulan puncak (April)
Numerik	Histogram	Sebaran gabungan bersifat multimodal, mencerminkan dua kelompok skala provinsi
Numerik	Polygon Frekuensi	Menguatkan temuan histogram: dua “bukit” sebaran data yang terpisah
Numerik	Line Chart	Seluruh provinsi mengalami lonjakan tajam pada April (musim mudik/Idulfitri)
Numerik	Box-and-Whisker	Jawa Barat memiliki variasi bulanan terbesar; April muncul sebagai outlier pada beberapa provinsi

6 Referensi

Sholihin, M. Visualisasi Data Kategorik dengan ggplot2. RPubs. rpubs.com/Miftah_14/visualisasidatakategorik_ggplot2
Sholihin, M. Visualisasi Data Numerik dengan ggplot2. RPubs. rpubs.com/Miftah_14/visualisasidatanumerik_ggplot2

Tugas 3: Visualisasi Data Kategorik dan Numerik

Jumlah Perjalanan Wisatawan Nusantara Menurut Provinsi Tujuan, 2025 (Banten, Jawa Barat, DKI Jakarta, Lampung, Maluku)

Kelas D26 — Sefiya Nur Khandini (3337260109), Zahra Tussita (3337260039), Hilal Irhamna (3337260129), Muhammad Hafiiz Delian (3337260076)

25 September 2026