BAB I

PENDAHULUAN

1.1 Latar Belakang

Visualisasi data merupakan salah satu tahapan penting dalam analisis data yang bertujuan untuk menyajikan informasi dalam bentuk grafik atau gambar sehingga lebih mudah dipahami. Melalui visualisasi data, informasi yang sebelumnya disajikan dalam bentuk angka dapat ditampilkan secara lebih sederhana. Visualisasi juga membantu dalam mengenali pola, kecenderungan, perbedaan, dan hubungan antarvariabel (Gio dkk., 2023).

Penyajian informasi melalui grafik pada pengolahan data memiliki peranan penting karena tidak semua karakteristik data dapat diketahui hanya dengan melihat tabel. Grafik dapat membantu menggambarkan distribusi data, membandingkan beberapa kelompok, serta memperlihatkan hubungan antara variabel yang diamati. Oleh karena itu, visualisasi data dapat digunakan sebagai langkah awal untuk memahami karakteristik suatu kumpulan data.

Program R merupakan salah satu perangkat lunak yang dapat digunakan untuk melakukan pengolahan dan visualisasi data. Program R menyediakan berbagai fungsi untuk membuat grafik, seperti histogram, diagram batang, boxplot, scatter plot, dan berbagai bentuk visualisasi lainnya. Selain itu, package seperti ggplot2 dapat digunakan untuk menghasilkan grafik yang lebih informatif dan menarik.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, rumusan masalah dalam penelitian ini adalah sebagai berikut:

Apa saja karakteristik yang terdapat pada dataset Iris?
Bagaimana cara melakukan pengolahan data dan memperoleh statistik deskriptif menggunakan program R?
Apa saja bentuk visualisasi data yang dapat digunakan untuk menggambarkan karakteristik dataset Iris?
Bagaimana cara membuat histogram, boxplot, scatter plot, QQ-plot, heatmap, dan diagram batang menggunakan program R?
Bagaimana interpretasi hasil visualisasi data yang diperoleh dari dataset Iris?

## 1.3 Tujuan Penelitian

Berdasarkan rumusan masalah tersebut, tujuan penelitian ini adalah sebagai berikut:

Mengetahui karakteristik dataset Iris.
Memahami cara melakukan pengolahan data dan memperoleh statistik deskriptif menggunakan program R.
Mengetahui beberapa bentuk visualisasi data yang dapat digunakan untuk menggambarkan karakteristik data.
Mampu membuat histogram, boxplot, scatter plot, QQ-plot, heatmap, dan diagram batang menggunakan program R.
Menginterpretasikan hasil visualisasi data berdasarkan grafik yang dihasilkan.

1.4 Manfaat Penelitian

Adapun manfaat yang diperoleh dari penelitian ini adalah sebagai berikut:

Bagi penulis

Menambah pengetahuan mengenai konsep visualisasi data.
Meningkatkan kemampuan dalam menggunakan program R untuk mengolah dan menyajikan data.

Bagi pembaca

Memberikan informasi mengenai penggunaan program R dalam visualisasi data.
Dapat menjadi referensi dalam melakukan visualisasi data pada penelitian selanjutnya.

1.5 Batasan Masalah

Adapun batasan masalah dari penelitian ini adalah analisis dengan program R menggunakan dataset Iris yang tersedia pada program R untuk melakukan pengolahan statistik deskriptif dan pembuatan beberapa bentuk visualisasi data. Visualisasi yang digunakan meliputi histogram dengan kurva kepadatan, boxplot, scatter plot, QQ-plot, heatmap korelasi, dan diagram batang. Pembahasan difokuskan pada karakteristik data, distribusi, perbandingan antarkelompok, serta hubungan antarvariabel.

1.6 Sistematika Penulisan

Adapun sistematika penulisan laporan ini adalah sebagai berikut:

BAB I PENDAHULUAN

Bab ini memuat latar belakang, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini memuat teori dan konsep yang berkaitan dengan visualisasi data, statistika deskriptif, serta berbagai jenis grafik yang digunakan dalam penelitian.

BAB III METODE PENELITIAN

Bab ini memuat jenis dan sumber data, variabel penelitian, analisis data, serta diagram alir penelitian.

BAB IV HASIL DAN PEMBAHASAN

Bab ini memuat hasil pengolahan dataset Iris menggunakan program R, meliputi statistik deskriptif dan berbagai bentuk visualisasi data beserta interpretasinya.

BAB V KESIMPULAN DAN SARAN

Bab ini memuat kesimpulan yang diperoleh dari hasil penelitian serta saran untuk pengembangan analisis selanjutnya.

BAB II

TINJAUAN PUSTAKA

2.1 Visualisasi Data

Visualisasi data merupakan proses penyajian data dalam bentuk grafis, seperti grafik, diagram, dan gambar, sehingga informasi yang terkandung di dalamnya dapat dipahami dengan lebih mudah. Visualisasi data digunakan untuk membantu mengenali pola, kecenderungan, perbedaan, dan hubungan yang terdapat dalam suatu kumpulan data. Visualisasi data memiliki peranan penting dalam analisis karena dapat memberikan gambaran umum mengenai karakteristik data. Melalui grafik, informasi yang sulit diketahui dari tabel dapat terlihat dengan lebih jelas. Pemilihan bentuk visualisasi perlu disesuaikan dengan jenis data dan tujuan analisis agar informasi yang disampaikan dapat dipahami secara tepat.

2.2 Statistika Deskriptif

Statistika deskriptif merupakan metode yang digunakan untuk menggambarkan atau meringkas karakteristik suatu kumpulan data. Statistik deskriptif dapat memberikan informasi mengenai ukuran pemusatan dan ukuran penyebaran data. Beberapa ukuran yang digunakan dalam statistika deskriptif adalah sebagai berikut (Notodiputro, 2023):

Nilai minimum, yaitu nilai terkecil yang terdapat dalam suatu kumpulan data.
Nilai maksimum, yaitu nilai terbesar yang terdapat dalam suatu kumpulan data.
Mean, yaitu nilai rata-rata yang diperoleh dari jumlah seluruh data dibagi banyaknya pengamatan.
Median, yaitu nilai tengah dari data yang telah diurutkan.
Kuartil, yaitu nilai yang membagi data menjadi empat bagian.
Standar deviasi, yaitu ukuran yang menggambarkan tingkat penyebaran data terhadap nilai rata-ratanya.

2.3 Jenis-Jenis Visualisasi Data

Setiap bentuk visualisasi data memiliki karakteristik dan kegunaan yang berbeda. Oleh karena itu, pemilihan jenis grafik perlu disesuaikan dengan informasi yang ingin ditampilkan. Adapun beberapa bentuk visualisasi data yang digunakan dalam program R adalah sebagai berikut (Thamrin & Fadhil, 2025):

1. Histogram

Histogram merupakan grafik yang digunakan untuk menggambarkan distribusi frekuensi data numerik. Grafik ini terdiri atas batang-batang yang menunjukkan frekuensi pengamatan pada interval tertentu. Histogram dapat digunakan untuk mengetahui bentuk distribusi data, seperti pola simetris, menceng ke kanan, atau menceng ke kiri.

2. Boxplot

Boxplot merupakan grafik yang digunakan untuk menggambarkan distribusi data berdasarkan nilai minimum, kuartil pertama, median, kuartil ketiga, dan nilai maksimum. Boxplot juga dapat digunakan untuk membandingkan distribusi data antarkelompok. Mengidentifikasi kemungkinan pencilan atau outlier dapat menggunakan boxplot.

3. Scatter Plot

Scatter plot atau diagram pencar merupakan grafik yang digunakan untuk menggambarkan hubungan antara dua variabel numerik. Setiap titik pada grafik menunjukkan pasangan nilai dari kedua variabel. Scatter plot dapat membantu melihat pola hubungan positif, negatif, maupun pola yang tidak menunjukkan hubungan tertentu.

4. QQ-Plot

QQ-plot atau Quantile-Quantile Plot merupakan grafik yang digunakan untuk membandingkan kuantil data dengan kuantil distribusi teoretis tertentu. Grafik ini dapat memberikan gambaran mengenai kesesuaian pola distribusi data terhadap distribusi pembanding. QQ-plot juga dapat digunakan untuk membantu mengevaluasi asumsi normalitas data secara visual.

5. Heatmap

Heatmap merupakan visualisasi data berbentuk matriks yang menggunakan gradasi warna untuk menunjukkan besar kecilnya suatu nilai. Heatmap dapat digunakan untuk menggambarkan hubungan atau korelasi antarvariabel. Sehingga, pola hubungan dapat diketahui melalui perbedaan warna.

6. Diagram Batang

Diagram batang merupakan grafik yang menampilkan data kategorik dalam bentuk batang vertikal atau horizontal. Tinggi atau panjang batang menunjukkan jumlah atau frekuensi pada setiap kategori. Diagram batang berguna untuk membandingkan jumlah pengamatan antarkategori.

BAB III

METODE PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan pada penelitian ini adalah data kuantitatif. Data kuantitatif adalah data yang berbentuk angka dan dapat diukur atau dihitung secara numerik. Data kuantitatif menggambarkan besaran, jumlah, atau ukuran dari suatu variabel.

Sumber data yang digunakan dalam penelitian ini yaitu data sekunder. Data sekunder adalah data yang diperoleh atau dikumpulkan oleh orang yang melakukan penelitian dari sumber-sumber yang sudah ada tanpa melalui proses pengumpulan data. Pada penelitian ini, tidak ada proses pengumpulan data karena data berasal dari dataset Iris pada program R.

3.2 Variabel Penelitian

Variabel penelitian adalah karakter atau segala sesuatu yang menjadi perhatian dalam suatu penelitian. Sehingga, variabel penelitian merupakan sesuatu yang menjadi sasaran atau pengamatan yang dapat diobservasi atau diukur. Variabel yang digunakan pada penelitian ini berasal dari dataset iris yang terdiri atas empat variabel numerik dan satu variabel kategorik.

Adapun variabel yang digunakan dalam penelitian ini adalah sebagai berikut:

Sepal.Length, yaitu panjang bagian sepal atau kelopak bunga dalam satuan sentimeter.
Sepal.Width, yaitu lebar bagian sepal atau kelopak bunga dalam satuan sentimeter.
Petal.Length, yaitu panjang bagian petal atau mahkota bunga dalam satuan sentimeter.
Petal.Width, yaitu lebar bagian petal atau mahkota bunga dalam satuan sentimeter.
Species, yaitu jenis bunga Iris yang terdiri atas tiga kategori, yaitu Setosa, Versicolor, dan Virginica.

3.3 Analisis Data

Adapun langkah-langkah yang dilakukan dalam analisis data adalah sebagai berikut:

Memanggil dataset iris yang tersedia pada program R.
Memeriksa struktur, jumlah observasi, nama variabel, dan beberapa baris pertama dari dataset.
Melakukan pengolahan data untuk memperoleh ringkasan statistik deskriptif, seperti nilai minimum, kuartil pertama, median, rata-rata, kuartil ketiga, dan nilai maksimum.
Membuat histogram dengan kurva kepadatan untuk melihat bentuk distribusi data.
Membuat boxplot untuk mengetahui sebaran data, median, dan kemungkinan pencilan pada setiap variabel.
Membuat scatter plot untuk melihat pola hubungan antara dua variabel numerik.
Membuat QQ-plot sebagai visualisasi perbandingan kuantil data dengan kuantil distribusi normal.
Membuat heatmap untuk menggambarkan hubungan atau korelasi antarvariabel numerik.
Membuat diagram batang untuk membandingkan jumlah pengamatan setiap jenis bunga Iris.
Menginterpretasikan seluruh hasil visualisasi berdasarkan karakteristik dan pola yang ditampilkan.

3.4 Diagram Alir Penelitian

Diagram alir untuk melakukan visualisasi data pada program R:

Gambar 3.1 Diagram Alir Visualisasi Data Dataset Iris

# BAB IV # HASIL DAN PEMBAHASAN

## 4.1 Statistik Deskriptif

Statistik deskriptif digunakan untuk mengetahui gambaran umum karakteristik dataset Iris. Pengolahan dilakukan terhadap empat variabel numerik, yaitu Sepal.Length, Sepal.Width, Petal.Length, dan Petal.Width. Selanjutnya, hasil statistik deskriptif digunakan untuk melihat ukuran pemusatan dan penyebaran data.

4.1.1 Memanggil Dataset

Dataset Iris merupakan dataset bawaan pada program R sehingga tidak perlu mengimpor file dari luar. Perintah berikut digunakan untuk memanggil dataset dan menampilkan beberapa data pertama. Selanjutnya, perintah head(iris, 3) digunakan untuk menampilkan tiga data pertama.

data(iris)

head(iris)

#>   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
#> 1          5.1         3.5          1.4         0.2  setosa
#> 2          4.9         3.0          1.4         0.2  setosa
#> 3          4.7         3.2          1.3         0.2  setosa
#> 4          4.6         3.1          1.5         0.2  setosa
#> 5          5.0         3.6          1.4         0.2  setosa
#> 6          5.4         3.9          1.7         0.4  setosa

Berdasarkan output tersebut, dapat diketahui bahwa dataset Iris memuat informasi mengenai ukuran sepal dan petal dari tiga jenis bunga, yaitu Setosa, Versicolor, dan Virginica. Setiap jenis bunga memiliki karakteristik ukuran yang berbeda. Informasi tersebut dapat digunakan untuk membandingkan karakteristik ukuran dari ketiga jenis bunga.

4.1.2 Melihat Struktur Dataset

Struktur dataset digunakan untuk mengetahui jumlah variabel, jenis data, dan karakteristik setiap kolom.

str(iris)

#> 'data.frame':    150 obs. of  5 variables:
#>  $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
#>  $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
#>  $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
#>  $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
#>  $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

Untuk mengetahui dimensi dataset, digunakan perintah berikut.

dim(iris)

#> [1] 150   5

Untuk mengetahui nama variabel yang terdapat dalam dataset, digunakan perintah berikut.

names(iris)

#> [1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width"  "Species"

Berdasarkan hasil tersebut, dataset Iris memiliki 150 baris dan 5 kolom. Empat kolom pertama merupakan variabel numerik, sedangkan kolom terakhir merupakan variabel kategorik yang menunjukkan jenis bunga. Informasi tersebut memberikan gambaran mengenai struktur data yang digunakan dalam analisis.

4.1.3 Ringkasan Statistik Deskriptif

Ringkasan statistik deskriptif dapat diperoleh menggunakan fungsi summary().

summary(iris)

#>   Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
#>  Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
#>  1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
#>  Median :5.800   Median :3.000   Median :4.350   Median :1.300  
#>  Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
#>  3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
#>  Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
#>        Species  
#>  setosa    :50  
#>  versicolor:50  
#>  virginica :50  
#>                 
#>                 
#>

Untuk memperoleh nilai rata-rata setiap variabel numerik, digunakan fungsi sapply() dan mean().

sapply(iris[, 1:4], mean)

#> Sepal.Length  Sepal.Width Petal.Length  Petal.Width 
#>     5.843333     3.057333     3.758000     1.199333

Selanjutnya, nilai standar deviasi setiap variabel dapat diketahui menggunakan fungsi sd().

sapply(iris[, 1:4], sd)

#> Sepal.Length  Sepal.Width Petal.Length  Petal.Width 
#>    0.8280661    0.4358663    1.7652982    0.7622377

Berikut merupakan tabel ringkasan statistik deskriptif dari dataset Iris.

statistik <- data.frame(
  Variabel = names(iris)[1:4],
  Minimum = sapply(iris[, 1:4], min),
  Kuartil_1 = sapply(iris[, 1:4], function(x) quantile(x, 0.25)),
  Median = sapply(iris[, 1:4], median),
  Mean = sapply(iris[, 1:4], mean),
  Kuartil_3 = sapply(iris[, 1:4], function(x) quantile(x, 0.75)),
  Maksimum = sapply(iris[, 1:4], max),
  Standar_Deviasi = sapply(iris[, 1:4], sd)
)

kable(
  statistik,
  digits = 3,
  caption = "Tabel 4.1 Hasil Statistik Deskriptif Dataset Iris"
)

Tabel 4.1 Hasil Statistik Deskriptif Dataset Iris
	Variabel	Minimum	Kuartil_1	Median	Mean	Kuartil_3	Maksimum	Standar_Deviasi
Sepal.Length	Sepal.Length	4.3	5.1	5.80	5.843	6.4	7.9	0.828
Sepal.Width	Sepal.Width	2.0	2.8	3.00	3.057	3.3	4.4	0.436
Petal.Length	Petal.Length	1.0	1.6	4.35	3.758	5.1	6.9	1.765
Petal.Width	Petal.Width	0.1	0.3	1.30	1.199	1.8	2.5	0.762

Berdasarkan hasil statistik deskriptif, setiap variabel memiliki rentang nilai dan ukuran pemusatan yang berbeda. Perbedaan tersebut menunjukkan bahwa ukuran bagian bunga pada dataset Iris memiliki karakteristik yang beragam. Nilai rata-rata dan median dapat digunakan untuk menggambarkan ukuran pemusatan, sedangkan nilai minimum, maksimum, kuartil, dan standar deviasi memberikan gambaran mengenai penyebaran data.

4.2 Visualisasi Data

Visualisasi data dilakukan untuk mengetahui karakteristik dataset Iris melalui berbagai bentuk grafik. Grafik yang digunakan meliputi histogram, boxplot, scatter plot, QQ-plot, heatmap, dan diagram batang. Setiap grafik digunakan untuk menampilkan karakteristik data dari sudut pandang yang berbeda.

4.2.1 Histogram dengan Kurva Kepadatan

Histogram digunakan untuk menggambarkan distribusi data numerik. Kurva kepadatan ditambahkan untuk memperlihatkan pola distribusi secara lebih halus. Visualisasi ini membantu mengidentifikasi bentuk distribusi data, termasuk kecenderungan kemencengan dan penyebarannya.

par(mfrow = c(2, 2))

for (i in 1:4) {
  hist(
    iris[[i]],
    probability = TRUE,
    main = paste("Histogram", names(iris)[i]),
    xlab = names(iris)[i],
    col = "lightblue",
    border = "white"
  )
  
  lines(
    density(iris[[i]]),
    col = "red",
    lwd = 2
  )
}

par(mfrow = c(1, 1))

Berdasarkan histogram yang dihasilkan, dapat diketahui bentuk distribusi dari masing-masing variabel numerik. Perbedaan pola histogram menunjukkan bahwa setiap variabel memiliki karakteristik distribusi yang berbeda. Kurva kepadatan membantu memperlihatkan kecenderungan penyebaran nilai pada setiap variabel.

4.2.2 Boxplot

Boxplot digunakan untuk menggambarkan penyebaran data berdasarkan nilai minimum, kuartil pertama, median, kuartil ketiga, dan nilai maksimum. Grafik ini juga dapat digunakan untuk membandingkan distribusi data berdasarkan jenis bunga. Selain itu, boxplot membantu mengidentifikasi keberadaan pencilan pada data.

par(mfrow = c(2, 2))

for (i in 1:4) {
  boxplot(
    iris[[i]],
    main = paste("Boxplot", names(iris)[i]),
    ylab = names(iris)[i],
    col = "lightgreen"
  )
}

par(mfrow = c(1, 1))

Selanjutnya, boxplot digunakan untuk membandingkan ukuran petal berdasarkan jenis bunga.

boxplot(
  Petal.Length ~ Species,
  data = iris,
  main = "Boxplot Panjang Petal Berdasarkan Species",
  xlab = "Species",
  ylab = "Petal Length",
  col = c("lightblue", "lightgreen", "lightpink")
)

Berdasarkan boxplot, dapat dilihat bahwa ukuran panjang petal berbeda pada setiap jenis bunga. Setosa memiliki ukuran petal yang cenderung lebih kecil dibandingkan Versicolor dan Virginica. Sementara itu, Virginica memiliki ukuran petal yang cenderung lebih besar. Boxplot juga membantu memperlihatkan perbedaan median dan penyebaran data antarkelompok.

4.2.3 Scatter Plot

Scatter plot digunakan untuk melihat pola hubungan antara dua variabel numerik. Pada penelitian ini, scatter plot dibuat dengan membandingkan panjang sepal dan panjang petal. Grafik ini dapat membantu melihat arah, pola, dan kekuatan hubungan antara kedua variabel tersebut.

plot(
  iris$Sepal.Length,
  iris$Petal.Length,
  main = "Scatter Plot Sepal Length dan Petal Length",
  xlab = "Sepal Length",
  ylab = "Petal Length",
  pch = 19,
  col = as.numeric(iris$Species)
)

legend(
  "topleft",
  legend = levels(iris$Species),
  col = 1:3,
  pch = 19
)

Scatter plot juga dapat dibuat untuk melihat hubungan antara lebar sepal dan lebar petal.

plot(
  iris$Sepal.Width,
  iris$Petal.Width,
  main = "Scatter Plot Sepal Width dan Petal Width",
  xlab = "Sepal Width",
  ylab = "Petal Width",
  pch = 19,
  col = as.numeric(iris$Species)
)

legend(
  "topleft",
  legend = levels(iris$Species),
  col = 1:3,
  pch = 19
)

Berdasarkan scatter plot, terlihat bahwa hubungan antara panjang sepal dan panjang petal menunjukkan kecenderungan positif. Artinya, bunga dengan panjang sepal yang lebih besar cenderung memiliki panjang petal yang lebih besar pula. Pengelompokan warna juga memperlihatkan adanya perbedaan pola ukuran di antara ketiga jenis bunga.

4.2.4 QQ-Plot

QQ-plot digunakan untuk membandingkan kuantil data dengan kuantil distribusi normal. Grafik ini memberikan gambaran mengenai pola penyebaran data berdasarkan posisi titik terhadap garis pembanding. Grafik tersebut juga dapat membantu mengevaluasi kesesuaian distribusi data terhadap distribusi normal secara visual.

par(mfrow = c(2, 2))

for (i in 1:4) {
  qqnorm(
    iris[[i]],
    main = paste("QQ-Plot", names(iris)[i]),
    pch = 19,
    col = "blue"
  )
  
  qqline(
    iris[[i]],
    col = "red",
    lwd = 2
  )
}

par(mfrow = c(1, 1))

Berdasarkan QQ-plot, posisi titik-titik pengamatan dapat dibandingkan dengan garis diagonal. Titik yang berada di sekitar garis menunjukkan pola kuantil yang mendekati distribusi pembanding, sedangkan penyimpangan titik dari garis menunjukkan adanya perbedaan pola distribusi. Pada penelitian ini, QQ-plot digunakan sebagai visualisasi untuk menggambarkan pola distribusi data.

4.2.5 Heatmap Korelasi

Heatmap digunakan untuk menggambarkan hubungan antarvariabel numerik melalui perbedaan warna. Sebelum membuat heatmap, terlebih dahulu dilakukan perhitungan korelasi menggunakan fungsi cor(). Hasil korelasi tersebut digunakan untuk mengetahui arah dan tingkat keeratan hubungan antarvariabel.

korelasi <- cor(iris[, 1:4])

round(korelasi, 3)

#>              Sepal.Length Sepal.Width Petal.Length Petal.Width
#> Sepal.Length        1.000      -0.118        0.872       0.818
#> Sepal.Width        -0.118       1.000       -0.428      -0.366
#> Petal.Length        0.872      -0.428        1.000       0.963
#> Petal.Width         0.818      -0.366        0.963       1.000

Selanjutnya, heatmap dibuat menggunakan fungsi image().

warna <- colorRampPalette(
  c("blue", "white", "red")
)(100)

image(
  1:4,
  1:4,
  korelasi,
  col = warna,
  zlim = c(-1, 1),
  axes = FALSE,
  main = "Heatmap Korelasi Variabel Iris",
  xlab = "",
  ylab = ""
)

axis(1, at = 1:4, labels = names(iris)[1:4], las = 2)
axis(2, at = 1:4, labels = names(iris)[1:4], las = 2)

for (i in 1:4) {
  for (j in 1:4) {
    text(
      i,
      j,
      labels = round(korelasi[i, j], 2),
      cex = 0.9
    )
  }
}

Berdasarkan heatmap korelasi, dapat diketahui arah dan kekuatan hubungan antarvariabel numerik. Warna yang menunjukkan korelasi positif menggambarkan hubungan searah, sedangkan warna yang menunjukkan korelasi negatif menggambarkan hubungan berlawanan arah. Nilai korelasi yang mendekati 1 menunjukkan hubungan positif yang kuat, sedangkan nilai yang mendekati -1 menunjukkan hubungan negatif yang kuat.

4.2.6 Diagram Batang

Diagram batang digunakan untuk menggambarkan jumlah pengamatan pada setiap kategori jenis bunga Iris. Tinggi setiap batang menunjukkan frekuensi pengamatan pada masing-masing jenis bunga. Visualisasi ini memudahkan perbandingan jumlah pengamatan antarjenis bunga.

jumlah_species <- table(iris$Species)

barplot(
  jumlah_species,
  main = "Jumlah Pengamatan Setiap Species Iris",
  xlab = "Species",
  ylab = "Jumlah Pengamatan",
  col = c("lightblue", "lightgreen", "lightpink"),
  ylim = c(0, 60)
)

Berdasarkan diagram batang, diketahui bahwa setiap jenis bunga Iris memiliki jumlah pengamatan yang sama, yaitu 50 observasi. Hal tersebut menunjukkan bahwa dataset Iris memiliki jumlah data yang seimbang pada ketiga kategori spesies. Kondisi ini memungkinkan perbandingan karakteristik antarjenis bunga dilakukan dengan jumlah pengamatan yang sama.

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Statistik deskriptif digunakan untuk memberikan gambaran umum mengenai karakteristik suatu kumpulan data. Ukuran statistik yang digunakan meliputi ukuran pemusatan dan penyebaran data. Hasilnya dapat membantu memahami karakteristik data sebelum dilakukan analisis lebih lanjut.

Histogram dengan kurva kepadatan digunakan untuk menggambarkan distribusi data numerik. Histogram menunjukkan frekuensi pengamatan pada interval tertentu, sedangkan kurva kepadatan memperlihatkan pola distribusi secara lebih halus. Visualisasi ini membantu mengamati bentuk distribusi dan penyebaran data.

Boxplot digunakan untuk menggambarkan penyebaran data dan membandingkan distribusi berdasarkan kategori. Visualisasi ini memperlihatkan perbedaan median dan variasi data pada setiap kategori. Selain itu, boxplot dapat membantu mengidentifikasi kemungkinan pencilan.

Scatter plot digunakan untuk melihat pola hubungan antara dua variabel numerik. Visualisasi tersebut memperlihatkan arah dan pola hubungan berdasarkan sebaran titik pengamatan. Melalui grafik ini, karakteristik hubungan antarvariabel dapat diamati secara visual.

QQ-plot digunakan untuk membandingkan kuantil data dengan kuantil distribusi normal. Kesesuaian distribusi data terhadap distribusi normal dapat diamati melalui posisi titik-titik terhadap garis pembanding. Sementara itu, heatmap digunakan untuk menggambarkan arah dan kekuatan korelasi antarvariabel numerik melalui perbedaan warna.

Berdasarkan batasan masalah, terlihat bahwa ketiga jenis bunga memiliki karakteristik ukuran yang berbeda. Setosa cenderung memiliki ukuran petal lebih kecil, sedangkan Virginica cenderung memiliki ukuran petal lebih besar. Selain itu, setiap jenis bunga memiliki jumlah pengamatan yang sama, yaitu 50 observasi.

5.2 Saran

Disarankan agar pengguna memahami terlebih dahulu karakteristik data sebelum menentukan jenis visualisasi yang akan digunakan. Pemilihan grafik perlu disesuaikan dengan jenis variabel dan tujuan analisis agar informasi yang disajikan dapat dipahami dengan baik. Selain itu, penggunaan program R perlu dilakukan secara teliti, terutama dalam menuliskan sintaks, memilih variabel, dan menentukan bentuk grafik. Hasil visualisasi yang diperoleh juga perlu diperhatikan dan diinterpretasikan secara tepat agar kesimpulan yang dibuat sesuai dengan informasi yang ditampilkan oleh data.

DAFTAR PUSTAKA

Gio, P. U., Caraka, R. E., & SiregarUwais, E. R. (2023). Visualisasi data dengan R. Jogja: Uwais Inspirasi Indonesia. Notodiputro, K. A. (2023). R, data & statistika deskriptif. Bogor: IPB Press. Thamrin, S. A. & Fadil, M. (2025). Komputasi statistika dengan R. Makassar: Unhas Press.

LAPORAN VISUALISASI DATA

PENERAPAN VISUALISASI DATA MENGGUNAKAN PROGRAM R

Adinda Salwa Hania

11 November 2026