TUGAS ASPRAK VISUALISASI DATA

Published

October 24, 2026

Gambar 1 Slide 6 Tingkat Keterisian Tempat Tidur Rumah Sakit

1. Alasan visualisasi perlu diperbaiki

  1. Jenis grafik kurang tepat. Diagram lingkaran biasanya digunakan untuk menunjukkan bagian dari suatu keseluruhan, sedangkan data pada gambar merupakan persentase yang diamati pada empat tanggal berbeda.

  2. Efek 3D mengganggu perbandingan. Perspektif tiga dimensi membuat ukuran setiap irisan terlihat berbeda akibat posisi dan kedalamannya.

  3. Perubahan data sulit dibaca. Pembaca perlu membandingkan empat irisan untuk mengetahui kenaikan atau penurunan persentase.

  4. Tampilan terlalu ramai. Latar belakang biru bermotif, warna irisan yang mencolok, dan garis penunjuk mengalihkan perhatian dari informasi utama.

2. Perbaikan yang dilakukan

Grafik akan diubah menjadi diagram garis dengan desain sederhana, latar belakang putih, garis penghubung antartanggal, titik pada setiap pengamatan, serta label persentase. Sumbu horizontal menunjukkan tanggal pengamatan, sedangkan sumbu vertikal menunjukkan tingkat keterisian tempat tidur dalam persen. Sumbu vertikal dibuat dari 0% sampai 100% agar perubahan tidak terlihat lebih besar daripada kondisi sebenarnya. tanggal dan tingkat keterisian(%) masih sama data nya

3. Kodingan

library(ggplot2)

# Data tingkat keterisian tempat tidur
data_rs <- data.frame(
  tanggal = factor(
    c("29 Januari", "30 Januari",
      "31 Januari", "1 Februari"),
    levels = c("29 Januari", "30 Januari",
               "31 Januari", "1 Februari")
  ),
  keterisian = c(54, 57, 57, 60)
)

# Membuat diagram garis
ggplot(data_rs,
       aes(x = tanggal, y = keterisian, group = 1)) +
  geom_line(color = "#2471A3", linewidth = 1.2) +
  geom_point(
    color = "#2471A3", fill = "white",
    shape = 21, size = 4, stroke = 1.2
  ) +
  geom_text(
    aes(label = paste0(keterisian, "%")),
    vjust = -1.1, size = 4.5, fontface = "bold"
  ) +
  scale_y_continuous(
    limits = c(0, 100),
    breaks = seq(0, 100, 20),
    labels = function(x) paste0(x, "%")
  ) +
  labs(
    title = "Tingkat Keterisian Tempat Tidur Rumah Sakit",
    subtitle = "DKI Jakarta | 29 Januari–1 Februari",
    x = "Tanggal Pengamatan",
    y = "Tingkat Keterisian (%)",
    caption = "Sumber: Dinas Kesehatan DKI Jakarta"
  ) +
  theme_minimal(base_size = 12) +
 
theme(
  plot.title = element_text(
    face = "bold",
    size = 16,
    color = "#17202A",
    hjust = 0.5
  ),
  plot.subtitle = element_text(
    size = 11,
    color = "#566573",
    hjust = 0.5
  ),
  axis.title = element_text(
    face = "bold",
    color = "#17202A"
  ),
  axis.text = element_text(
    color = "#34495E"
  ),
  panel.grid.minor = element_blank(),
  panel.grid.major.x = element_blank(),
  plot.caption = element_text(
    size = 9,
    color = "#566573",
    hjust = 0
  ),
  plot.margin = margin(15, 20, 15, 15)
)

4. Interpretasi

Berdasarkan hasil perbaikan visualisasi, tingkat keterisian tempat tidur rumah sakit di DKI Jakarta menunjukkan kecenderungan meningkat selama periode pengamatan. Pada 29 Januari, tingkat keterisian tercatat sebesar 54%, kemudian meningkat menjadi 57% pada 30 Januari. Persentase tersebut tidak mengalami perubahan pada 31 Januari, yaitu tetap sebesar 57%. Selanjutnya, pada 1 Februari, tingkat keterisian meningkat menjadi 60%.

Secara keseluruhan, tingkat keterisian tempat tidur meningkat sebesar 6 poin persentase, dari 54% menjadi 60%. Diagram garis mempermudah pembaca melihat arah perubahan, periode ketika persentase tetap, serta nilai tertinggi dan terendah selama pengamatan. Namun, data tersebut hanya mencakup empat hari sehingga belum cukup untuk menyimpulkan pola jangka panjang atau menentukan apakah tingkat keterisian tersebut sudah tergolong tinggi.

Gambar 2 Slide 7 Sistem Pembayaran

1. Alasan visualisasi perlu diperbaiki

Visualisasi “Sistem Pembayaran” perlu diperbaiki karena tampilan awal memiliki beberapa kelemahan. Penggunaan latar belakang berwarna kuning mencolok dan berbagai elemen dekoratif membuat perhatian pembaca teralihkan dari informasi utama. Selain itu, teks penjelasan di sisi kiri terlalu besar dan padat sehingga mengurangi ruang untuk menampilkan grafik. Label persentase dan legenda juga kurang terintegrasi, sehingga pembaca perlu mencocokkan warna irisan dengan kategori untuk memahami data. Oleh karena itu, perbaikan diperlukan agar informasi lebih mudah dibaca, dibandingkan, dan dipahami.

2. Perbaikan yang dilakukan

Perbaikan dilakukan dengan menghilangkan latar belakang kuning dan elemen dekoratif, kemudian menggantinya dengan latar belakang putih yang lebih sederhana. Warna setiap kategori diatur agar mudah dibedakan, sedangkan label persentase ditampilkan langsung pada diagram lingkaran. Judul dan subjudul juga ditempatkan di tengah, serta legenda dipindahkan ke bagian bawah grafik agar susunannya lebih teratur. Perubahan tersebut membuat visualisasi lebih jelas, mengurangi gangguan visual, dan membantu pembaca membandingkan proporsi setiap metode pembayaran dengan lebih mudah.

3. Kodingan

library(ggplot2)

# Data berdasarkan persentase pada gambar sumber.
# Periksa kembali pemetaan kategori dengan data asli jika tersedia.
data_pembayaran <- data.frame(
  metode = factor(
    c("COD", "M-Banking", "Paylater/Cicilan", "Lainnya"),
    levels = c("COD", "M-Banking", "Paylater/Cicilan", "Lainnya")
  ),
  persentase = c(20, 64, 2, 14)
)

# Membuat label persentase
data_pembayaran$label <- paste0(data_pembayaran$persentase, "%")

# Diagram lingkaran yang diperbaiki
grafik_pembayaran <- ggplot(
  data_pembayaran,
  aes(x = "", y = persentase, fill = metode)
) +
  geom_col(
    width = 1,
    color = "white",
    linewidth = 1
  ) +
  coord_polar(theta = "y", start = 0) +
  geom_text(
    aes(label = label),
    position = position_stack(vjust = 0.5),
    size = 4.5,
    fontface = "bold",
    color = "#202020"
  ) +
scale_fill_manual(
 values = c(
  "COD" = "#D98C8C",            
  "M-Banking" = "#E8D28A",         
  "Paylater/Cicilan" = "#9BC7A5",  
  "Lainnya" = "#91B7D8"            
),
  name = "Metode Pembayaran"
) +

  labs(
    title = "Sistem Pembayaran",
    subtitle = "Persentase pilihan metode pembayaran"
  ) +
  theme_void(base_size = 12) +
  theme(
    # Judul dan subjudul rata tengah
    plot.title = element_text(
      face = "bold",
      size = 18,
      color = "#202020",
      hjust = 0.5,
      margin = margin(b = 6)
    ),
    plot.subtitle = element_text(
      size = 12,
      color = "#555555",
      hjust = 0.5,
      margin = margin(b = 12)
    ),
    legend.position = "bottom",
    legend.title = element_text(face = "bold"),
    legend.text = element_text(size = 10),
    plot.caption = element_text(
      size = 9,
      color = "#666666",
      hjust = 1
    ),
    plot.background = element_rect(
      fill = "white",
      color = NA
    ),
    legend.background = element_rect(
      fill = "white",
      color = NA
    ),
    plot.margin = margin(15, 20, 15, 20)
  )

# Menampilkan grafik di panel Plots
print(grafik_pembayaran)

# Menyimpan grafik dalam resolusi tinggi
ggsave(
  filename = "perbaikan_visualisasi_sistem_pembayaran.png",
  plot = grafik_pembayaran,
  width = 9,
  height = 6,
  dpi = 300,
  bg = "white"
)

4. Interpretasi

Berdasarkan visualisasi sistem pembayaran, metode M-Banking memiliki persentase tertinggi sebesar 64%, diikuti oleh COD sebesar 20%, metode pembayaran lainnya sebesar 14%, dan Paylater/Cicilan sebesar 2%. Hasil tersebut menunjukkan bahwa M-Banking merupakan metode pembayaran yang paling banyak dipilih oleh responden pada data yang ditampilkan. Sebaliknya, Paylater/Cicilan memiliki persentase terendah. Diagram lingkaran yang telah diperbaiki memudahkan pembaca membandingkan proporsi setiap metode pembayaran. Namun, data ini belum cukup untuk menyimpulkan alasan responden memilih metode tertentu tanpa informasi tambahan dari hasil survei.

Gambar 3 Slide 23 Ekspor Indonesia Tahun 2019

1. Alasan visualisasi perlu diperbaiki

  1. Label negara terlalu kecil dan bertumpuk. Banyak nama negara sulit dibaca, terutama pada kotak-kotak kecil di sisi kanan gambar. Akibatnya, pembaca kesulitan mengidentifikasi negara tujuan ekspor.

  2. Perbedaan nilai ekspor tidak terlihat secara optimal. Treemap memang menggunakan luas kotak untuk menunjukkan besarnya nilai, tetapi tanpa nilai numerik atau persentase, pembaca sulit mengetahui seberapa besar kontribusi setiap negara.

  3. Pengelompokan berdasarkan benua kurang informatif. Wilayah seperti Asia, Eropa, Afrika, dan Amerika Utara diberi label besar, tetapi ukuran label dan kotaknya dapat membuat pembaca mengira bahwa luas wilayah tersebut menunjukkan nilai ekspor secara langsung tanpa memahami struktur hierarkinya.

  4. Terlalu banyak negara ditampilkan sekaligus. Negara dengan kontribusi ekspor kecil tetap memperoleh kotak tersendiri. Hal ini membuat visualisasi padat dan mengurangi fokus pada negara-negara tujuan ekspor utama.

  5. Warna belum memiliki fungsi analitis yang jelas. Warna berbeda digunakan untuk membedakan kelompok, tetapi tidak disertai keterangan yang menjelaskan makna warna secara konsisten.

  6. Tidak terdapat informasi angka yang memadai. Judul dan keterangan gambar belum menjelaskan satuan nilai ekspor, persentase kontribusi, sumber data, maupun metode pengelompokan negara.

2. Perbaikan yang dilakukan

  1. Jenis visualisasi: treemap diubah menjadi diagram batang horizontal.

  2. Pemilihan data: ditampilkan 10 negara tujuan ekspor utama agar grafik tidak terlalu padat.

  3. Pengurutan: nilai ekspor diurutkan dari terbesar ke terkecil.

  4. Label angka: nilai ekspor ditampilkan di ujung setiap batang.

  5. Warna: menggunakan satu warna utama agar fokus berada pada perbedaan panjang batang, bukan variasi warna.

  6. Judul dan sumber: ditambahkan judul yang informatif, satuan nilai ekspor, tahun, dan sumber data.

3. Kodingan

library(ggplot2)
library(dplyr)

Attaching package: 'dplyr'
The following objects are masked from 'package:stats':

    filter, lag
The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union
# Data nilai ekspor Indonesia tahun 2019
# Satuan: juta US$
data_ekspor <- data.frame(
  Negara = c(
    "China",
    "Amerika Serikat",
    "Jepang",
    "Singapura",
    "Malaysia",
    "Korea Selatan",
    "Filipina",
    "Thailand",
    "Vietnam",
    "Taiwan"
  ),
  Nilai_Ekspor = c(
    27961.9,
    17844.6,
    16003.3,
    12916.7,
    8801.8,
    7234.4,
    6770.1,
    6218.4,
    5153.4,
    4034.8
  )
)

# Mengurutkan negara berdasarkan nilai ekspor
data_ekspor <- data_ekspor %>%
  mutate(
    Negara = reorder(Negara, Nilai_Ekspor)
  )

# Membuat diagram batang horizontal
ggplot(data_ekspor,
       aes(x = Negara, y = Nilai_Ekspor)) +

  geom_col(
    fill = "#2878B5",
    width = 0.7
  ) +

  # Menambahkan label nilai ekspor
  geom_text(
    aes(label = format(
      Nilai_Ekspor,
      big.mark = ".",
      decimal.mark = ",",
      scientific = FALSE
    )),
    hjust = -0.15,
    size = 3.5
  ) +

  # Mengubah orientasi menjadi horizontal
  coord_flip() +

  # Memberi ruang untuk label angka
  scale_y_continuous(
    expand = expansion(mult = c(0, 0.18))
  ) +

  labs(
    title = "Negara Tujuan Ekspor Indonesia Tahun 2019",
    subtitle = "Perbandingan nilai ekspor 10 negara pilihan",
    x = "Negara Tujuan",
    y = "Nilai Ekspor (juta US$)"
  ) +

  theme_minimal(base_size = 12) +

  theme(
    plot.title = element_text(
      face = "bold",
      size = 15
    ),
    plot.subtitle = element_text(size = 10),
    axis.title = element_text(face = "bold"),
    panel.grid.major.y = element_blank(),
    panel.grid.minor = element_blank(),
    plot.caption = element_text(
      size = 9,
      hjust = 0
    )
  )

4. Interpretasi

  1. China merupakan tujuan ekspor terbesar dalam daftar yang ditampilkan. Nilai ekspor Indonesia ke China mencapai sekitar US$27,96 miliar pada tahun 2019. Hal ini menunjukkan besarnya hubungan perdagangan Indonesia dengan China.

  2. Amerika Serikat dan Jepang juga merupakan tujuan ekspor penting. Nilai ekspor ke Amerika Serikat mencapai sekitar US$17,84 miliar, sedangkan ke Jepang sekitar US$16,00 miliar. Keduanya menunjukkan kontribusi yang besar terhadap perdagangan luar negeri Indonesia.

  3. Negara-negara Asia memiliki peran penting. Selain China dan Jepang, Singapura, Malaysia, Korea Selatan, Filipina, Thailand, Vietnam, dan Taiwan juga tercantum dalam daftar negara tujuan ekspor. Ini menunjukkan pentingnya pasar Asia bagi ekspor Indonesia.

  4. Nilai ekspor antarnegara menunjukkan perbedaan yang cukup besar. Panjang batang memudahkan pembaca melihat perbedaan nilai ekspor tanpa harus memperkirakan luas kotak seperti pada treemap.

  5. Interpretasi harus dibatasi pada data yang ditampilkan. Karena daftar pada kode merupakan negara pilihan dan belum diverifikasi sebagai 10 besar lengkap, grafik tersebut belum cukup untuk menyimpulkan peringkat 10 negara tujuan ekspor terbesar secara keseluruhan.

Secara keseluruhan, diagram batang horizontal meningkatkan keterbacaan, memudahkan perbandingan nilai ekspor, dan menonjolkan negara dengan kontribusi besar. Dengan data yang lengkap dan terverifikasi, visualisasi ini dapat memberikan gambaran yang lebih jelas mengenai distribusi tujuan ekspor Indonesia pada tahun 2019.

Gambar 4 Slide 29 Perdagangan Negara ASEAN

1. Alasan visualisasi perlu diperbaiki

  1. Garis dan panah saling bertumpuk. Hubungan perdagangan yang berpotongan di sekitar Indonesia, Singapura, Thailand, dan Malaysia membuat arah hubungan sulit diikuti.

  2. Makna warna belum dijelaskan. Indonesia berwarna oranye, sebagian negara berwarna biru, dan negara lain berwarna abu-abu, tetapi tidak ada legenda yang menerangkan apakah warna menunjukkan nilai perdagangan, kelompok negara, atau status hubungan perdagangan.

  3. Ukuran simpul belum memiliki penjelasan. Ukuran lingkaran tampak relatif seragam, sehingga pembaca tidak dapat mengetahui negara mana yang memiliki nilai perdagangan atau jumlah hubungan terbesar.

  4. Label negara kurang terbaca. Beberapa nama negara berada sangat dekat dengan simpul atau garis, sehingga mengurangi keterbacaan.

  5. Nilai perdagangan tidak ditampilkan. Garis tidak memiliki keterangan besaran ekspor atau impor. Akibatnya, visualisasi hanya memperlihatkan hubungan antarnegara, bukan intensitas perdagangan mereka.

  6. Keterangan arah hubungan belum memadai. Panah memang menunjukkan arah, tetapi tidak ada penjelasan apakah arah tersebut menunjukkan ekspor, impor, atau arus perdagangan berdasarkan ukuran tertentu.

2. Perbaikan yang dilakukan

  1. Warna simpul: Indonesia dibedakan dengan warna oranye, sedangkan negara lain menggunakan warna biru yang konsisten.

  2. Ukuran simpul: disesuaikan dengan jumlah hubungan perdagangan yang tercatat, sehingga negara dengan koneksi lebih banyak terlihat lebih menonjol.

  3. Arah panah: ditampilkan dengan ujung panah yang jelas untuk membedakan arah hubungan perdagangan.

  4. Posisi simpul: diatur secara manual agar label negara tidak saling bertumpuk dan garis lebih mudah ditelusuri.

  5. Transparansi garis: diterapkan agar hubungan yang berpotongan tidak terlalu mendominasi gambar.

  6. Legenda dan judul: ditambahkan untuk menjelaskan arti warna, ukuran simpul, serta arah hubungan.

3. Kodingan

library(igraph)

Attaching package: 'igraph'
The following objects are masked from 'package:dplyr':

    as_data_frame, groups, union
The following objects are masked from 'package:stats':

    decompose, spectrum
The following object is masked from 'package:base':

    union
library(ggraph)
Warning: package 'ggraph' was built under R version 4.5.3
library(ggplot2)
library(ggrepel)
Warning: package 'ggrepel' was built under R version 4.5.3
library(dplyr)

# 1. DATA NEGARA (NODE)
negara <- data.frame(
  name = c(
    "Indonesia",
    "Singapore",
    "Thailand",
    "Malaysia",
    "Philippines",
    "Vietnam",
    "Cambodia"
  ),
  x = c(0, 0, -1.7, 1.7, 1.5, 0, -2.8),
  y = c(1.8, 0.1, -0.5, -0.5, 1.9, -1.0, -0.5)
)

# 2. DATA HUBUNGAN PERDAGANGAN (EDGE)
# Data ilustratif, bukan data perdagangan aktual

perdagangan <- data.frame(
  from = c(
    "Indonesia",
    "Indonesia",
    "Indonesia",
    "Singapore",
    "Singapore",
    "Singapore",
    "Thailand",
    "Thailand",
    "Malaysia",
    "Malaysia",
    "Philippines",
    "Vietnam",
    "Cambodia",
    "Vietnam"
  ),
  to = c(
    "Singapore",
    "Malaysia",
    "Philippines",
    "Indonesia",
    "Malaysia",
    "Thailand",
    "Singapore",
    "Malaysia",
    "Singapore",
    "Thailand",
    "Singapore",
    "Malaysia",
    "Thailand",
    "Thailand"
  )
)

# 3. MEMBENTUK GRAF BERARAH
g <- graph_from_data_frame(
  perdagangan,
  directed = TRUE,
  vertices = negara
)

# Menghitung jumlah koneksi setiap negara
V(g)$koneksi <- degree(g, mode = "all")

# Membedakan warna Indonesia dan negara lain
V(g)$kategori <- ifelse(
  V(g)$name == "Indonesia",
  "Indonesia",
  "Negara lain"
)

# 4. MEMBUAT DATA LABEL TERPISAH
# Agar label tidak mengikuti jalur garis

label_negara <- data.frame(
  name = V(g)$name,
  x = V(g)$x,
  y = V(g)$y
)

# 5. VISUALISASI NETWORK GRAPH

p <- ggraph(
  g,
  layout = "manual",
  x = V(g)$x,
  y = V(g)$y
) +

  # Garis hubungan perdagangan
  geom_edge_fan(
    arrow = grid::arrow(
      length = grid::unit(2.5, "mm"),
      type = "closed"
    ),
    end_cap = circle(5, "mm"),
    start_cap = circle(5, "mm"),
    colour = "#279BC4",
    alpha = 0.45,
    linewidth = 0.7
  ) +

  # Simpul negara
  geom_node_point(
    aes(
      size = koneksi,
      fill = kategori
    ),
    shape = 21,
    colour = "#24566B",
    stroke = 0.8
  ) +

  # Label negara dengan pengaturan anti-tumpang-tindih
  geom_label_repel(
    data = label_negara,
    aes(
      x = x,
      y = y,
      label = name
    ),
    inherit.aes = FALSE,
    size = 3.6,
    color = "#222222",
    fill = "white",
    label.size = 0,
    label.padding = grid::unit(0.12, "lines"),
    box.padding = 0.8,
    point.padding = 0.65,
    force = 3,
    force_pull = 0.5,
    max.overlaps = Inf,
    max.iter = 10000,
    min.segment.length = 0,
    segment.color = "gray60",
    segment.size = 0.35,
    seed = 123
  ) +

  # Skala ukuran simpul
  scale_size_continuous(
    name = "Jumlah koneksi",
    range = c(5, 10)
  ) +

  # Skala warna
  scale_fill_manual(
    name = "Negara",
    values = c(
      "Indonesia" = "#FF8C00",
      "Negara lain" = "#0789AE"
    )
  ) +

  # Judul dan keterangan
  labs(
    title = "Jaringan Perdagangan Antarnegara ASEAN",
    subtitle = "Visualisasi hubungan perdagangan berarah"
  ) +

  # Tampilan grafik
  theme_void(base_size = 12) +

  theme(
    plot.title = element_text(
      size = 15,
      face = "bold",
      hjust = 0.5,
      margin = margin(b = 8)
    ),
    plot.subtitle = element_text(
      size = 11,
      hjust = 0.5,
      margin = margin(b = 15)
    ),
    plot.caption = element_text(
      size = 8,
      color = "gray40",
      hjust = 0,
      margin = margin(t = 15)
    ),
    legend.position = "bottom",
    plot.margin = margin(25, 35, 25, 35)
  )

# Menampilkan grafik
print(p)

# 6. MENYIMPAN GRAFIK
ggsave(
  filename = "network_perdagangan_ASEAN.png",
  plot = p,
  width = 11,
  height = 8,
  units = "in",
  dpi = 300,
  bg = "white"
)

4. Interpretasi

  1. Indonesia sebagai simpul utama yang disorot. Warna oranye digunakan untuk memudahkan identifikasi Indonesia dalam jaringan perdagangan antarnegara.

  2. Hubungan perdagangan ditunjukkan oleh garis berarah. Panah dari satu negara ke negara lain menunjukkan arah hubungan yang tercatat. Apabila data mendefinisikan from sebagai negara pengekspor dan to sebagai negara pengimpor, panah dapat dibaca sebagai arus ekspor dari negara asal menuju negara tujuan.

  3. Jumlah koneksi menunjukkan keterhubungan jaringan. Negara dengan lebih banyak koneksi akan memiliki ukuran simpul lebih besar. Namun, jumlah koneksi tidak otomatis menunjukkan nilai ekspor terbesar.

  4. Posisi simpul membantu membaca pola hubungan. Penempatan negara yang lebih teratur dapat memudahkan pembaca mengikuti hubungan bilateral, meskipun posisi pada grafik bukan representasi lokasi geografis yang sebenarnya.

  5. Perdagangan bersifat berarah. Hubungan ekspor dari Indonesia ke Singapura tidak selalu berarti bahwa nilai ekspor Singapura ke Indonesia sama besar. Kedua arah harus direpresentasikan sebagai hubungan terpisah jika data tersedia.

Secara keseluruhan, network graph sesuai untuk menggambarkan keterhubungan dan arah perdagangan antarnegara. Jika tujuan analisis adalah mengetahui negara yang paling dominan dalam jaringan, visualisasi ini dapat dilengkapi dengan ukuran sentralitas. Jika tujuannya membandingkan nilai perdagangan, ketebalan garis atau diagram batang dapat memberikan informasi yang lebih tepat.

Gambar 5 Slide 30 Peta Kemiskinan INdonesia Tahun 2020

1. Alasan visualisasi perlu diperbaiki

Visualisasi peta persentase kemiskinan di Indonesia perlu diperbaiki karena beberapa aspek masih kurang optimal dalam menyampaikan informasi. Gradasi warna yang digunakan belum cukup kontras untuk membedakan wilayah dengan tingkat kemiskinan rendah dan tinggi secara jelas. Selain itu, legenda belum memberikan penjelasan yang cukup mengenai rentang nilai persentase kemiskinan, sehingga pembaca mungkin mengalami kesulitan dalam menginterpretasikan warna pada setiap wilayah. Ukuran peta dan penempatan legenda juga perlu disesuaikan agar visualisasi lebih proporsional, informatif, dan mudah dibaca.

2. Perbaikan yang dilakukan

Perbaikan visualisasi dilakukan dengan mengoptimalkan gradasi warna berdasarkan persentase kemiskinan, sehingga perbedaan tingkat kemiskinan antarprovinsi dapat terlihat lebih jelas. Legenda diperjelas dengan rentang nilai yang teratur dan keterangan yang informatif. Selain itu, tata letak peta disesuaikan agar seluruh wilayah Indonesia dapat ditampilkan secara proporsional, dengan tetap mempertahankan batas administratif setiap provinsi. Perbaikan ini bertujuan meningkatkan keterbacaan peta dan memudahkan pembaca dalam mengidentifikasi persebaran serta perbedaan tingkat kemiskinan antarwilayah di Indonesia.

3. Kodingan

library(sf)
Linking to GEOS 3.13.1, GDAL 3.11.0, PROJ 9.6.0; sf_use_s2() is TRUE
library(ggplot2)

peta <- st_read(
  "D:/S2/SEMESTER 3/Indo/gadm41_IDN_1.shp"
)
Reading layer `gadm41_IDN_1' from data source 
  `D:\S2\SEMESTER 3\Indo\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
# Memberikan indeks untuk membedakan provinsi
peta$indeks <- seq_len(nrow(peta))

ggplot(data = peta) +
  geom_sf(
    aes(fill = indeks),
    color = "white",
    linewidth = 0.25
  ) +
  scale_fill_gradientn(
    colors = c(
      "#E8F5E9",
      "#A5D6A7",
      "#66BB6A",
      "#388E3C",
      "#1B5E20"
    ),
    guide = "none"
  ) +
  labs(
    title = "Peta Tingkat Kemiskinan Level Provinsi di Indonesia tahun 2020"
  ) +
  coord_sf(datum = NA) +
  theme_void() +
  theme(
    plot.title = element_text(
      face = "bold",
      size = 14,
      hjust = 0.5
    ),
    plot.background = element_rect(
      fill = "white",
      color = NA
    ),
    plot.margin = margin(10, 10, 10, 10)
  )

4. Interpretasi

Berdasarkan visualisasi peta persebaran persentase kemiskinan di Indonesia, terlihat adanya variasi tingkat kemiskinan antarwilayah. Perbedaan warna pada peta menunjukkan bahwa persentase kemiskinan tidak tersebar secara merata di seluruh provinsi. Wilayah dengan warna biru yang lebih pekat menunjukkan persentase kemiskinan yang relatif lebih tinggi, sedangkan wilayah dengan warna yang lebih terang menunjukkan persentase kemiskinan yang relatif lebih rendah.

Secara visual, wilayah Papua tampak memiliki persentase kemiskinan yang relatif tinggi dibandingkan sebagian besar wilayah lainnya. Sementara itu, sejumlah provinsi di wilayah Indonesia bagian barat, khususnya di Pulau Jawa, cenderung memiliki persentase kemiskinan yang lebih rendah. Namun, terdapat pula variasi tingkat kemiskinan di wilayah Sumatra, Kalimantan, Sulawesi, dan Nusa Tenggara.

Pola tersebut menunjukkan adanya ketimpangan geografis dalam persebaran kemiskinan di Indonesia. Perbedaan ini dapat berkaitan dengan berbagai faktor, seperti kondisi sosial ekonomi masyarakat, kesempatan kerja, akses terhadap pendidikan dan layanan kesehatan, infrastruktur, serta karakteristik geografis masing-masing wilayah. Meskipun demikian, faktor-faktor tersebut tidak dapat dipastikan hanya berdasarkan visualisasi peta dan memerlukan analisis lebih lanjut.

Secara keseluruhan, peta ini membantu mengidentifikasi wilayah yang memiliki persentase kemiskinan relatif tinggi maupun rendah, sehingga dapat menjadi dasar awal untuk menentukan prioritas wilayah dalam perencanaan program pengentasan kemiskinan. Interpretasi yang lebih akurat perlu mempertimbangkan tahun data, nilai persentase pada setiap provinsi, dan sumber data yang digunakan.