library(rsconnect)

Pendahuluan

Pada tugas ini dipilih lima visualisasi dari materi Kuliah 9 yang menurut saya perlu diperbaiki:

No Slide Visualisasi awal Masalah utama
1 6 Diagram lingkaran 3D keterisian tempat tidur RS DKI Jakarta Pie 3D untuk data urutan waktu
2 7 Diagram lingkaran sistem pembayaran Banyak kategori, selisih sulit dibandingkan, kategori kecil tak terbaca
3 8 Diagram batang vertikal persentase penduduk pengguna komputer per provinsi Tidak terurut, label sumbu berdempetan dan miring
4 30 Peta tematik tingkat kemiskinan provinsi Warna pucat, tanpa nilai, legenda tanpa kelas
5 29 Jaringan perdagangan antarnegara ASEAN Panah tanpa angka, ketebalan seragam, garis bersilangan

Untuk setiap visualisasi dijelaskan alasan perbaikan, perbaikan yang dilakukan, dan interpretasinya.

Tangkapan layar visualisasi awal bisa diletakkan di folder yang sama dengan file ini dengan nama sebelum_slide6.png, sebelum_slide7.png, sebelum_slide8.png, sebelum_slide29.png, dan sebelum_slide30.png. Jika file tidak ada, bagian gambar akan dilewati.

Visualisasi 1: Keterisian Tempat Tidur RS di DKI Jakarta (Slide 6)

Visualisasi awal

Alasan perbaikan

  1. Data yang ditampilkan adalah persentase keterisian pada empat tanggal berurutan (29 Januari sampai 1 Februari), bukan bagian dari satu keseluruhan. Persentase 54%, 57%, 57%, dan 60% tidak berjumlah 100%, sehingga diagram lingkaran tidak tepat karena irisan pie seharusnya merepresentasikan komposisi.
  2. Efek 3D membuat irisan di depan tampak lebih besar dari yang sebenarnya, sehingga ukuran irisan menyesatkan.
  3. Besar irisan sulit dibandingkan, padahal selisih antartanggal kecil (54% vs 57% vs 60%). Pembaca hanya bisa mengandalkan angka, bukan bentuk.
  4. Urutan waktu tidak terbaca dari bentuk visualisasinya, dan warna irisan (hijau, kuning, merah, biru) tidak membawa makna.

Perbaikan yang dilakukan

  • Diganti menjadi diagram batang dengan urutan tanggal dari kiri ke kanan, sehingga perubahan dari waktu ke waktu terbaca.
  • Sumbu vertikal dimulai dari 0% dan berakhir di 100% (kapasitas penuh), sehingga tinggi batang proporsional dan jarak ke kapasitas penuh terlihat.
  • Efek 3D dan warna ganda dihapus, cukup satu warna. Batang tanggal terakhir diberi penekanan karena merupakan kondisi terbaru.
  • Label persentase ditempatkan di atas batang, judul dibuat informatif, dan sumber dicantumkan.

Visualisasi hasil perbaikan

tt <- data.frame(
  tanggal = factor(c("29 Jan", "30 Jan", "31 Jan", "1 Feb"),
                   levels = c("29 Jan", "30 Jan", "31 Jan", "1 Feb")),
  persen  = c(54, 57, 57, 60)
)
tt$sorot <- ifelse(tt$tanggal == "1 Feb", "terbaru", "lain")

ggplot(tt, aes(x = tanggal, y = persen, fill = sorot)) +
  geom_col(width = 0.6, show.legend = FALSE) +
  geom_text(aes(label = paste0(persen, "%")), vjust = -0.5,
            fontface = "bold", size = 5) +
  scale_fill_manual(values = c(lain = "#9ECAE1", terbaru = "#08519C")) +
  scale_y_continuous(limits = c(0, 100), breaks = seq(0, 100, 20),
                     labels = function(x) paste0(x, "%"),
                     expand = c(0, 0)) +
  labs(title = "Keterisian tempat tidur RS di DKI Jakarta naik dari 54% menjadi 60%",
       subtitle = "Persentase keterisian tempat tidur, 29 Januari - 1 Februari",
       x = NULL, y = "Keterisian tempat tidur",
       caption = "Sumber: Dinas Kesehatan DKI Jakarta (data dari slide Kuliah 9)") +
  theme_minimal(base_size = 13) +
  theme(panel.grid.major.x = element_blank(),
        panel.grid.minor = element_blank(),
        plot.title = element_text(face = "bold", size = 13),
        plot.title.position = "plot")

Interpretasi

Keterisian tempat tidur rumah sakit di DKI Jakarta cenderung meningkat selama empat hari pengamatan, yaitu dari 54% pada 29 Januari menjadi 57% pada 30 dan 31 Januari, lalu 60% pada 1 Februari. Kenaikan total sebesar 6 poin persentase dalam empat hari. Pada 30 dan 31 Januari keterisian sama (57%), sehingga kenaikan tidak terjadi setiap hari. Pada 1 Februari sekitar enam dari sepuluh tempat tidur sudah terisi, dan masih ada sekitar 40% kapasitas tersisa. Karena hanya ada empat titik waktu, hasil ini menggambarkan tren jangka pendek dan belum cukup untuk menyimpulkan pola jangka panjang.

Visualisasi 2: Sistem Pembayaran (Slide 7)

Visualisasi awal

Alasan perbaikan

  1. Diagram lingkaran dengan empat kategori yang sebagian berwarna mirip (variasi warna oranye) membuat kategori sulit dibedakan, terutama kategori kecil (2% dan 14%).
  2. Legenda terpisah di bawah mengharuskan pembaca mencocokkan warna dengan label, sehingga beban kognitif bertambah.
  3. Persentase ditempatkan di luar pie dan jauh dari legenda, sehingga hubungan label dengan nilainya tidak langsung.
  4. Pesan utama (M-Banking dominan) sebenarnya sederhana, tetapi tidak ditonjolkan secara visual selain lewat besar irisan.

Perbaikan yang dilakukan

  • Diganti menjadi diagram batang horizontal terurut dari terbesar ke terkecil, dengan kategori “Lainnya” ditaruh paling bawah sesuai kelaziman.
  • Label kategori langsung berada di sumbu, sehingga legenda tidak diperlukan.
  • Nilai persentase ditulis di ujung batang.
  • Hanya batang M-Banking yang diberi warna kontras, sisanya abu-abu, sehingga pesan utama terbaca dalam sekejap.
  • Judul dibuat sebagai pernyataan temuan.

Visualisasi hasil perbaikan

bayar <- data.frame(
  metode = c("M-Banking", "COD", "Paylater/Cicilan", "Lainnya"),
  persen = c(64, 20, 2, 14)
)
# urutan: terbesar di atas, "Lainnya" paling bawah
urut <- c("Lainnya", "Paylater/Cicilan", "COD", "M-Banking")
bayar$metode <- factor(bayar$metode, levels = urut)
bayar$sorot  <- ifelse(bayar$metode == "M-Banking", "utama", "lain")

ggplot(bayar, aes(x = persen, y = metode, fill = sorot)) +
  geom_col(width = 0.65, show.legend = FALSE) +
  geom_text(aes(label = paste0(persen, "%")), hjust = -0.2,
            fontface = "bold", size = 5) +
  scale_fill_manual(values = c(lain = "grey70", utama = "#E6550D")) +
  scale_x_continuous(limits = c(0, 75), expand = c(0, 0)) +
  labs(title = "Mayoritas pelanggan (64%) memilih M-Banking sebagai metode pembayaran",
       subtitle = "Persentase pelanggan menurut sistem pembayaran",
       x = NULL, y = NULL,
       caption = "Sumber: data pada slide Kuliah 9") +
  theme_minimal(base_size = 13) +
  theme(panel.grid = element_blank(),
        axis.text.x = element_blank(),
        axis.text.y = element_text(size = 12),
        plot.title = element_text(face = "bold", size = 13),
        plot.title.position = "plot")

Interpretasi

M-Banking adalah metode pembayaran yang paling banyak dipilih, yaitu 64% pelanggan, atau lebih dari tiga kali lipat COD yang berada di posisi kedua (20%). Kategori “Lainnya” menyumbang 14%, sedangkan Paylater/Cicilan hanya 2%. Dua metode teratas (M-Banking dan COD) bersama-sama mencakup 84% pelanggan. Pada bentuk diagram batang, selisih antarkategori terbaca langsung dari panjang batang, sehingga dominasi M-Banking dan kecilnya porsi Paylater/Cicilan lebih jelas dibanding versi diagram lingkaran.

Visualisasi 3: Persentase Penduduk Pengguna Komputer per Provinsi (Slide 8)

Visualisasi awal

Alasan perbaikan

  1. Batang disusun mengikuti urutan kode wilayah (Aceh sampai Papua), bukan urutan nilai, sehingga sulit melihat provinsi tertinggi, terendah, dan peringkatnya.
  2. 34 label provinsi pada sumbu horizontal berdempetan dan harus diputar, sehingga sulit dibaca.
  3. Tidak ada acuan pembanding (misalnya rata-rata), sehingga pembaca tidak tahu provinsi mana yang di atas atau di bawah pola umum.
  4. Seluruh batang berwarna sama, tanpa penekanan pada informasi penting. Garis kisi dan batang yang tebal juga menambah noise.

Perbaikan yang dilakukan

  • Provinsi diurutkan dari nilai terbesar ke terkecil.
  • Orientasi diubah menjadi horizontal sehingga nama provinsi terbaca tanpa diputar.
  • Batang diganti lollipop (dot plot) yang lebih ringan karena rasio data-ink lebih tinggi untuk 34 kategori. Garis dimulai dari 0 sehingga perbandingan tetap jujur.
  • Ditambahkan garis putus-putus rata-rata antarprovinsi, dan warna dibedakan antara provinsi di atas dan di bawah rata-rata.
  • Nilai ditulis di ujung titik, judul dibuat informatif, dan sumber dicantumkan.

Visualisasi hasil perbaikan

komputer <- data.frame(
  provinsi = c("Aceh", "Sumatera Utara", "Sumatera Barat", "Riau", "Jambi",
               "Sumatera Selatan", "Bengkulu", "Lampung",
               "Kep. Bangka Belitung", "Kep. Riau", "DKI Jakarta",
               "Jawa Barat", "Jawa Tengah", "DI Yogyakarta", "Jawa Timur",
               "Banten", "Bali", "Nusa Tenggara Barat", "Nusa Tenggara Timur",
               "Kalimantan Barat", "Kalimantan Tengah", "Kalimantan Selatan",
               "Kalimantan Timur", "Kalimantan Utara", "Sulawesi Utara",
               "Sulawesi Tengah", "Sulawesi Selatan", "Sulawesi Tenggara",
               "Gorontalo", "Sulawesi Barat", "Maluku", "Maluku Utara",
               "Papua Barat", "Papua"),
  persen = c(11.64, 14.17, 17.0, 14.5, 12.2, 11.1, 14.89, 9.94, 12.01, 20.72,
             23.51, 14.52, 13.17, 23.35, 14.22, 15.27, 18.62, 12.03, 11.39,
             10.45, 13.58, 17.35, 19.42, 18.02, 14.27, 13.61, 15.41, 15.8,
             16.46, 12.3, 13.78, 11.26, 14.04, 8.2)
)
stopifnot(nrow(komputer) == 34, length(komputer$persen) == 34)

rata <- mean(komputer$persen)

komputer <- komputer %>%
  mutate(kategori = ifelse(persen >= rata, "Di atas rata-rata",
                           "Di bawah rata-rata"),
         provinsi = reorder(provinsi, persen))

ggplot(komputer, aes(x = persen, y = provinsi, color = kategori)) +
  geom_segment(aes(x = 0, xend = persen, y = provinsi, yend = provinsi),
               linewidth = 0.6) +
  geom_point(size = 2.8) +
  geom_text(aes(label = sprintf("%.1f", persen)), hjust = -0.6, size = 3,
            show.legend = FALSE) +
  geom_vline(xintercept = rata, linetype = "dashed", color = "grey40") +
  annotate("text", x = rata, y = 1.2,
           label = paste0("Rata-rata: ", round(rata, 1), "%"),
           hjust = -0.1, size = 3.3, color = "grey30") +
  scale_color_manual(values = c("Di atas rata-rata" = "#08519C",
                                "Di bawah rata-rata" = "#BDBDBD")) +
  scale_x_continuous(limits = c(0, 27), expand = c(0, 0)) +
  labs(title = "DKI Jakarta dan DI Yogyakarta tertinggi dalam penggunaan komputer",
       subtitle = "Persentase penduduk yang menggunakan komputer menurut provinsi, 2019",
       x = "Persentase penduduk (%)", y = NULL, color = NULL,
       caption = "Sumber: bps.go.id, Situasi Tahun 2019") +
  theme_minimal(base_size = 11) +
  theme(panel.grid.major.y = element_blank(),
        panel.grid.minor = element_blank(),
        legend.position = "top",
        legend.justification = "left",
        plot.title = element_text(face = "bold"),
        plot.title.position = "plot")

Interpretasi

Persentase penduduk yang menggunakan komputer di Indonesia pada 2019 masih rendah dan tidak merata. Rata-rata antarprovinsi hanya sekitar 14.7%. Provinsi tertinggi adalah DKI Jakarta (23.51%), diikuti DI Yogyakarta (23.35%) dan Kep. Riau (20.72%). Provinsi terendah adalah Papua (8.2%), diikuti Lampung dan Kalimantan Barat. Jarak antara provinsi tertinggi dan terendah sekitar 15.3 poin persentase, atau hampir tiga kali lipat. Provinsi yang berada di atas rata-rata (13 provinsi) didominasi wilayah dengan pusat ekonomi dan pendidikan yang kuat, sedangkan sebagian besar provinsi lain berkumpul pada kisaran 11-15%. Perlu dicatat bahwa urutan ini adalah persentase, bukan jumlah penduduk, sehingga provinsi berpenduduk besar seperti Jawa Barat tidak otomatis berada di peringkat atas.

Visualisasi 4: Peta Tematik Tingkat Kemiskinan Provinsi (Slide 30)

Data yang perlu disiapkan (taruh di folder yang sama dengan file ini):

  1. kemiskinan_2020.csv dengan kolom provinsi dan persen (persentase penduduk miskin per provinsi, dari BPS, sesuaikan periodenya dengan slide). Template ada di kemiskinan_2020_template.csv: isi kolom persen, lalu ganti nama file menjadi kemiskinan_2020.csv.

  2. Batas wilayah provinsi: jika ada file indonesia_provinsi.geojson di folder ini, file itu yang dipakai. Jika tidak ada, kode mencari file gadm41_IDN_1.shp (hasil unduhan GADM) di folder ini dan subfoldernya. Jika itu pun tidak ada, kode mengunduh dari GADM secara otomatis (butuh internet).

  3. Paket yang dibutuhkan: install.packages(c("sf", "patchwork", "geodata")).

Jika kemiskinan_2020.csv belum lengkap, bagian ini otomatis dilewati saat Knit dan muncul catatan peringatan.

Visualisasi awal

Alasan perbaikan

  1. Gradasi biru muda terlalu pucat: provinsi bernilai rendah hampir menyatu dengan latar putih dan perbedaan antarprovinsi sulit dibedakan.
  2. Tidak ada nilai atau label: pembaca hanya menebak angka dari warna, sehingga provinsi tertinggi dan terendah tidak langsung terlihat.
  3. Legenda kontinu tanpa kelas: batas rendah, sedang, dan tinggi tidak jelas.
  4. Bias luas wilayah: provinsi luas (Papua, Kalimantan) tampak lebih dominan, sedangkan provinsi kecil di Jawa dan Bali hampir tak terlihat, padahal nilainya sama penting.

Perbaikan yang dilakukan

  • Warna diganti palet sekuensial YlOrRd dengan lima kelas (kuintil), sehingga perbedaan antarkelas jelas.
  • Nilai ditampilkan untuk lima provinsi tertinggi dan lima terendah.
  • Peta didampingi diagram batang terurut dengan warna kelas yang sama, sehingga peringkat dan angka tepat terbaca, termasuk untuk provinsi kecil yang sulit dilihat di peta.

Visualisasi hasil perbaikan

library(sf)
library(patchwork)
library(dplyr)

# 1. Baca data CSV kemiskinan
miskin <- read.csv("D:\\IPB Kuliah\\Semester 3\\Eksplorasi dan Visualisasi Data Besar\\Praktikum\\Pertemuan 8 UAS\\kemiskinan_2020.csv", stringsAsFactors = FALSE)

# 2. Cari file shapefile GADM secara otomatis di folder proyek
shp_gadm <- list.files(".", pattern = "gadm41_IDN_1\\.shp$", 
                       recursive = TRUE, full.names = TRUE)

# 3. WAJIB ADA: Masukkan path file shp ke dalam objek 'peta'
# Langsung arahkan ke file .shp Anda secara spesifik
peta <- st_read("D:\\IPB Kuliah\\Semester 3\\Eksplorasi dan Visualisasi Data Besar\\Praktikum\\Pertemuan 8 UAS\\gadm41_IDN_shp-20260928T053213Z-1-001\\gadm41_IDN_1.shp")
## Reading layer `gadm41_IDN_1' from data source 
##   `D:\IPB Kuliah\Semester 3\Eksplorasi dan Visualisasi Data Besar\Praktikum\Pertemuan 8 UAS\gadm41_IDN_shp-20260928T053213Z-1-001\gadm41_IDN_1.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 34 features and 11 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 95.00971 ymin: -11.00761 xmax: 141.0194 ymax: 6.076941
## Geodetic CRS:  WGS 84
# kolom yang berisi nama provinsi
kandidat   <- c("NAME_1", "provinsi", "Provinsi", "PROVINSI", "WADMPR", "state", "name")
kolom_nama <- kandidat[kandidat %in% names(peta)][1]
stopifnot("Kolom nama provinsi pada peta tidak ditemukan, cek names(peta)" = !is.na(kolom_nama))

# samakan penulisan nama provinsi pada data dan peta
norm <- function(x) {
  x <- toupper(as.character(x))
  x <- gsub("\\.", "", x)
  x <- gsub("KEP ", "KEPULAUAN ", x)
  x <- gsub("^DKI ", "", x)
  x <- gsub("^DI ", "", x)
  x <- gsub("DAERAH ISTIMEWA ", "", x)
  x <- gsub("[^A-Z]", "", x)
  x <- sub("ISLANDS$", "", x)
  x <- sub("^JAKARTARAYA$", "JAKARTA", x)
  x <- sub("^IRIANJAYABARAT$", "PAPUABARAT", x)
  x <- sub("^KEPULAUANBANGKABELITUNG$", "BANGKABELITUNG", x)
  x
}
peta$kunci   <- norm(peta[[kolom_nama]])
miskin$kunci <- norm(miskin$provinsi)

# cek nama yang tidak cocok antara data dan peta
tak_cocok <- setdiff(miskin$kunci, peta$kunci)
if (length(tak_cocok) > 0) {
  message("Nama provinsi di data yang tidak ada di peta: ",
          paste(tak_cocok, collapse = ", "),
          "\nNama di peta: ", paste(sort(peta$kunci), collapse = ", "))
}

# buang semua kolom atribut peta kecuali kunci (geometri ikut terbawa), supaya tidak
# bentrok nama kolom (mis. peta sudah punya "provinsi" atau "persen" -> jadi persen.x / persen.y)
peta  <- peta[, "kunci"]
miskin <- miskin[!duplicated(miskin$kunci), c("kunci", "provinsi", "persen")]
peta  <- left_join(peta, miskin, by = "kunci")
peta$persen <- as.numeric(peta$persen)
stopifnot("Tidak ada provinsi yang cocok antara data dan peta, cek pesan nama tak cocok" = sum(!is.na(peta$persen)) > 0)

# kelas kuintil
br <- as.numeric(quantile(peta$persen, probs = seq(0, 1, 0.2), na.rm = TRUE))
br <- round(br, 1)
br[1]         <- floor(min(peta$persen, na.rm = TRUE) * 10) / 10
br[length(br)] <- ceiling(max(peta$persen, na.rm = TRUE) * 10) / 10
br <- unique(br)
peta$kelas <- cut(peta$persen, breaks = br, include.lowest = TRUE, dig.lab = 3)

# label 5 tertinggi dan 5 terendah
urut  <- peta %>% filter(!is.na(persen)) %>% arrange(desc(persen))
sorot <- bind_rows(head(urut, 5), tail(urut, 5))
titik <- suppressWarnings(st_point_on_surface(sorot))
titik$label <- paste0(titik$provinsi, "\n", titik$persen, "%")

p_peta <- ggplot(peta) +
  geom_sf(aes(fill = kelas), color = "white", linewidth = 0.2) +
  geom_sf_text(data = titik, aes(label = label), size = 2.6,
               fontface = "bold", check_overlap = TRUE) +
  scale_fill_brewer(palette = "YlOrRd", na.value = "grey85",
                    name = "Penduduk miskin (%)") +
  labs(title = "Peta tingkat kemiskinan provinsi") +
  theme_void(base_size = 11) +
  theme(legend.position = "bottom",
        plot.title = element_text(face = "bold"))

p_bar <- peta %>%
  st_drop_geometry() %>%
  filter(!is.na(persen)) %>%
  mutate(provinsi = reorder(provinsi, persen)) %>%
  ggplot(aes(x = persen, y = provinsi, fill = kelas)) +
  geom_col(show.legend = FALSE) +
  scale_fill_brewer(palette = "YlOrRd") +
  labs(title = "Peringkat provinsi", x = "Penduduk miskin (%)", y = NULL,
       caption = "Sumber: BPS (data diisi dari kemiskinan_2020.csv)") +
  theme_minimal(base_size = 9) +
  theme(panel.grid.major.y = element_blank(),
        plot.title = element_text(face = "bold"))

p_peta + p_bar + plot_layout(widths = c(1.5, 1))

Interpretasi

Rata-rata tingkat kemiskinan antarprovinsi sekitar 10.8%. Provinsi tertinggi adalah Papua (26.8%), diikuti Papua Barat (21.7%) dan Nusa Tenggara Timur (21.21%). Provinsi terendah adalah Bali (4.45%), diikuti DKI Jakarta (4.69%) dan Kalimantan Selatan (4.83%). Selisih tertinggi dan terendah sekitar 22.4 poin persentase. Peta menunjukkan sebaran wilayah secara spasial, sedangkan diagram batang di sebelahnya memperlihatkan peringkat dan angka tepat, termasuk provinsi kecil yang sulit terlihat di peta. Perlu dicatat bahwa peta menampilkan persentase penduduk miskin, bukan jumlah orang, sehingga provinsi berpenduduk besar belum tentu memiliki persentase tinggi.

Visualisasi 5: Perdagangan Antarnegara ASEAN (Slide 29)

Data yang perlu disiapkan: perdagangan_asean.csv dengan kolom dari, ke, nilai (nilai perdagangan dari negara asal ke negara tujuan, satu baris per panah). Template ada di perdagangan_asean_template.csv: isi kolom nilai dengan data asli (misalnya dari ASEANstats atau UN Comtrade), hapus baris pasangan yang tidak dipakai, lalu ganti nama file menjadi perdagangan_asean.csv. Angka tidak saya isi karena slide asli tidak mencantumkannya. Paket yang dibutuhkan: install.packages(c("igraph", "ggraph")).

CATATAN: perdagangan_asean.csv belum ada atau kolom nilai masih kosong, bagian ini dilewati. Lengkapi datanya lalu Knit ulang.

Visualisasi awal

Alasan perbaikan

  1. Panah tidak membawa angka: pembaca tahu ada perdagangan dari satu negara ke negara lain, tetapi tidak tahu seberapa besar.
  2. Ketebalan panah seragam, sehingga hubungan besar dan kecil tampak sama.
  3. Tata letak simpul acak menyebabkan banyak garis bersilangan, dan label negara (misalnya Indonesia) tertimpa garis.
  4. Warna tanpa penjelasan: panah merah dan biru serta simpul oranye, biru, dan abu-abu tidak punya legenda, dan ukuran semua simpul sama sehingga tidak menunjukkan peran negara.
  5. Panah dua arah antara pasangan negara yang sama saling bertumpuk sehingga arah sulit dibaca.

Perbaikan yang dilakukan

  • Angka nilai perdagangan dicantumkan pada setiap anak panah.
  • Lebar panah sebanding dengan nilai, sehingga hubungan terbesar langsung terlihat.
  • Tata letak melingkar dan panah melengkung, sehingga dua arah tidak bertumpuk dan persilangan berkurang.
  • Ukuran simpul menunjukkan total perdagangan negara (ekspor ditambah impor).
  • Warna diberi arti: Indonesia berwarna oranye dan panah yang melibatkan Indonesia berwarna merah, disertai legenda.
  • Ditambahkan matriks (heatmap) asal-tujuan sebagai pendamping, karena semua angka terbaca jelas di sana tanpa tumpang tindih.

Visualisasi hasil perbaikan

library(visNetwork)
library(readxl)

edges <- read_excel("perdagangan_asean.xlsx", sheet = "Data Perdagangan")
names(edges) <- c("dari", "ke", "nilai")

edges$nilai <- as.numeric(edges$nilai)
edges <- edges[edges$dari != edges$ke, ]
edges$terkait <- ifelse(edges$dari == "Indonesia" | edges$ke == "Indonesia",
                        "Melibatkan Indonesia", "Antarnegara lain")

fmt <- function(x) format(round(x, 1), big.mark = ".", decimal.mark = ",", trim = TRUE)
satuan <- "juta USD"

negara <- unique(c(edges$dari, edges$ke))
total  <- sapply(negara, function(n) sum(edges$nilai[edges$dari == n | edges$ke == n]))
mitra_ri <- unique(c(edges$dari[edges$ke == "Indonesia"], edges$ke[edges$dari == "Indonesia"]))

nodes <- data.frame(
  id    = negara,
  label = negara,
  value = as.numeric(total),
  color = ifelse(negara == "Indonesia", "#FF7F0E",
                 ifelse(negara %in% mitra_ri, "#0086B0", "#DDDDDD")),
  title = paste0(negara, "<br>Total perdagangan: ", fmt(total), " ", satuan),
  stringsAsFactors = FALSE
)

# Menyiapkan kolom untuk visNetwork
edges$from <- edges$dari
edges$to   <- edges$ke
edges$width <- log(edges$nilai + 1) * 0.8
edges$title <- paste0(edges$dari, " -> ", edges$ke, ": ", fmt(edges$nilai), " ", satuan)
edges$arrows <- "to"

# WAJIB: Tampilkan objek visNetwork dengan tinggi yang jelas
visNetwork(nodes, edges, height = "500px", width = "100%") %>%
  visNodes(scaling = list(min = 15, max = 40)) %>%
  visEdges(smooth = FALSE) %>%
  visInteraction(dragNodes = TRUE, hover = TRUE) %>%
  visOptions(highlightNearest = TRUE, nodesIdSelection = TRUE)
ggplot(edges, aes(x = ke, y = dari, fill = nilai)) +
  geom_tile(color = "white") +
  geom_text(aes(label = round(nilai, 1)), size = 3.5) +
  scale_fill_distiller(palette = "Blues", direction = 1,
                       name = paste0("Nilai (", satuan, ")")) +
  labs(title = "Matriks nilai perdagangan asal-tujuan",
       x = "Negara tujuan", y = "Negara asal") +
  theme_minimal(base_size = 11) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        panel.grid = element_blank(),
        plot.title = element_text(face = "bold"))

Interpretasi

Kesimpulan

Kelima perbaikan memakai prinsip yang sama dari materi Kuliah 9: memilih jenis visualisasi yang sesuai dengan tipe data (waktu, komposisi, perbandingan antarkategori), menggunakan unsur posisi dan panjang untuk perbandingan yang akurat dibanding luas atau sudut, menggunakan warna hanya untuk menonjolkan pesan utama, dan mengurangi noise seperti efek 3D, legenda terpisah, dan label berdempetan. Pada peta dan jaringan, nilai dicantumkan langsung dan diberi pendamping yang memuat angka tepat.

sessionInfo()
## R version 4.5.1 (2025-06-13 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=English_United States.utf8 
## [2] LC_CTYPE=English_United States.utf8   
## [3] LC_MONETARY=English_United States.utf8
## [4] LC_NUMERIC=C                          
## [5] LC_TIME=English_United States.utf8    
## 
## time zone: Asia/Bangkok
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] readxl_1.4.5     visNetwork_2.1.4 patchwork_1.3.2  sf_1.1-2        
## [5] scales_1.4.0     dplyr_1.2.1      ggplot2_4.0.3    rsconnect_1.5.1 
## 
## loaded via a namespace (and not attached):
##  [1] gtable_0.3.6       jsonlite_2.0.0     compiler_4.5.1     Rcpp_1.1.0        
##  [5] tidyselect_1.2.1   jquerylib_0.1.4    yaml_2.3.10        fastmap_1.2.0     
##  [9] R6_2.6.1           labeling_0.4.3     generics_0.1.4     classInt_0.4-11   
## [13] knitr_1.50         htmlwidgets_1.6.4  tibble_3.3.0       units_0.8-7       
## [17] DBI_1.2.3          bslib_0.9.0        pillar_1.11.0      RColorBrewer_1.1-3
## [21] rlang_1.3.0        cachem_1.1.0       xfun_0.52          sass_0.4.10       
## [25] S7_0.2.0           cli_3.6.5          withr_3.0.3        magrittr_2.0.3    
## [29] class_7.3-23       digest_0.6.37      grid_4.5.1         rstudioapi_0.17.1 
## [33] lifecycle_1.0.5    vctrs_0.7.3        KernSmooth_2.23-26 proxy_0.4-27      
## [37] evaluate_1.0.4     glue_1.8.1         cellranger_1.1.0   farver_2.1.2      
## [41] e1071_1.7-17       rmarkdown_2.29     tools_4.5.1        pkgconfig_2.0.3   
## [45] htmltools_0.5.8.1