# MEMANGGIL DATASET & MERAPIKAN NAMA KOLOM
setwd("/Users/a1234/DATASET_PBL.csv")
DATASET_PBL <- read.csv("DATASET_PBL.csv")
colnames(DATASET_PBL)[4] <- "Konsumsi.telur.ayam.dan.telur.bebek"
# MENGHAPUS DATA TOTAL DAN DATA KOSONG
DATA_UJI <- subset(
DATASET_PBL,
!is.na(Provinsi) & Provinsi != "Total"
)
# Histogram Konsumsi Daging Sapi dan Kerbau
hist(
x = DATA_UJI$Konsumsi.daging.sapi.dan.kerbau,
col = "hotpink1",
border = "ghostwhite",
main = "Distribusi Total Konsumsi Daging Sapi dan Kerbau Per Kapita Per Tahun Menurut Provinsi (Ton) 2019",
xlab = "Konsumsi Daging Sapi dan Kerbau",
ylab = "Provinsi",
breaks = 10
)
Interpretasi : Berdasarkan visualisasi histogram sebaran konsumsi daging sapi dan kerbau per kapita tahun 2019, pola distribusi data condong ke kanan (menceng positif) yang menunjukkan bahwa mayoritas provinsi di Indonesia memiliki tingkat konsumsi daging sapi dan kerbau pada kategori rendah hingga menengah, sementara hanya sebagian kecil provinsi yang mencatat angka konsumsi sangat tinggi.
# Histogram Konsumsi Daging Ayam
hist(
x = DATA_UJI$Konsumsi.daging.ayam,
col = "hotpink1",
border = "ghostwhite",
main = "Distribusi Total Konsumsi Daging Ayam Per Kapita Per Tahun Menurut Provinsi (Ton) 2019",
xlab = "Konsumsi Protein Hewani",
ylab = "Provinsi",
breaks = 33
)
Interpretasi : Berdasarkan histogram konsumsi daging ayam per kapita tahun 2019, sebaran data tersebar pada beberapa interval kelas dengan frekuensi provinsi yang mengelompok pada kisaran tingkat konsumsi menengah, sedangkan provinsi dengan konsumsi sangat rendah maupun sangat tinggi jumlahnya relatif sedikit.
# Histogram Konsumsi Telur Ayam dan Telur Bebek
hist(
x = DATA_UJI$Konsumsi.telur.ayam.dan.telur.bebek,
col = "hotpink1",
border = "ghostwhite",
main = "Distribusi Total Konsumsi Telur Ayam dan Telur Bebek Per Kapita Per Tahun Menurut Provinsi (Ton) 2019",
xlab = "Konsumsi Protein Hewani",
ylab = "Provinsi",
breaks = 33
)
Interpretasi : Berdasarkan histogram sebaran konsumsi telur ayam dan telur bebek tahun 2019, sebagian besar provinsi memiliki tingkat konsumsi yang tersebar merata di area tengah distribusi, menunjukkan bahwa telur merupakan sumber protein hewani yang konsumsinya cukup merata di berbagai wilayah Indonesia.
# Histogram Konsumsi Ikan Segar
hist(
x = DATA_UJI$Konsumsi.ikan.segar,
col = "hotpink1",
border = "ghostwhite",
main = "Distribusi Total Konsumsi Ikan Segar Per Kapita Per Tahun Menurut Provinsi (Ton) 2019",
xlab = "Konsumsi Protein Hewani",
ylab = "Provinsi",
breaks = 33
)
Interpretasi : Berdasarkan histogram konsumsi ikan segar tahun 2019, terlihat rentang variasi antarprovinsi yang cukup lebar dibandingkan komoditas lainnya, menandakan adanya perbedaan tingkat konsumsi ikan segar yang cukup mencolok antara wilayah pesisir/kepulauan dengan wilayah lainnya.
# Bar Plot Konsumsi Daging Sapi dan Kerbau
par(mar = c(12, 4, 4, 2))
barplot(
height = DATA_UJI$Konsumsi.daging.sapi.dan.kerbau,
names.arg = DATA_UJI$Provinsi,
col = "darkorchid4",
main = "Distribusi Total Konsumsi Daging Sapi dan Kerbau Per Kapita Per Tahun Menurut Provinsi (Ton) 2019",
xlab = "Provinsi",
ylab = "Konsumsi daging sapi dan kerbau",
las = 2,
cex.names = 0.65,
cex.axis = 0.8
)
par(mar = c(5,4,4,2))
Interpretasi : Berdasarkan grafik batang (bar plot) di atas, terlihat perbandingan langsung tingkat konsumsi daging sapi dan kerbau pada setiap provinsi di Indonesia tahun 2019, di mana beberapa provinsi dengan pusat ekonomi besar mencatat batang tertinggi dibandingkan provinsi lainnya.
# Bar Plot Konsumsi Daging Ayam
par(mar = c(12, 4, 4, 2))
barplot(
height = DATA_UJI$Konsumsi.daging.ayam,
names.arg = DATA_UJI$Provinsi,
col = "darkorchid4",
main = "Distribusi Total Konsumsi Daging Ayam Per Kapita Per Tahun Menurut Provinsi (Ton) 2019",
xlab = "Provinsi",
ylab = "Konsumsi Daging Ayam",
las = 2,
cex.names = 0.65,
cex.axis = 0.8
)
par(mar = c(5,4,4,2))
Interpretasi : Berdasarkan grafik batang konsumsi daging ayam per kapita tahun 2019, terlihat bahwa hampir seluruh provinsi memiliki tingkat konsumsi daging ayam yang lebih tinggi dibandingkan daging sapi, dengan variasi tinggi batang yang relatif stabil antarprovinsi.
# Bar Plot Konsumsi Telur Ayam dan Telur Bebek
par(mar = c(12, 4, 4, 2))
barplot(
height = DATA_UJI$Konsumsi.telur.ayam.dan.telur.bebek,
names.arg = DATA_UJI$Provinsi,
col = "darkorchid4",
main = "Distribusi Total Konsumsi Telur Ayam dan Telur Bebek Per Kapita Per Tahun Menurut Provinsi (Ton) 2019",
xlab = "Provinsi",
ylab = "Konsumsi Telur Ayam dan Telur Bebek",
las = 2,
cex.names = 0.65,
cex.axis = 0.8
)
par(mar = c(5,4,4,2))
Interpretasi : Berdasarkan grafik batang konsumsi telur ayam dan telur bebek tahun 2019, setiap provinsi menunjukkan tingkat konsumsi yang kompetitif, mencerminkan tingginya keterjangkauan komoditas telur di seluruh provinsi di Indonesia.
# Bar Plot Konsumsi Ikan Segar
par(mar = c(12, 4, 4, 2))
barplot(
height = DATA_UJI$Konsumsi.ikan.segar,
names.arg = DATA_UJI$Provinsi,
col = "darkorchid4",
main = "Distribusi Total Konsumsi Ikan Segar Per Kapita Per Tahun Menurut Provinsi (Ton) 2019",
xlab = "Provinsi",
ylab = "Konsumsi Ikan Segar",
las = 2,
cex.names = 0.65,
cex.axis = 0.8
)
par(mar = c(5,4,4,2))
Interpretasi : Berdasarkan grafik batang konsumsi ikan segar tahun 2019, provinsi-provinsi di kawasan timur dan kepulauan mendominasi angka konsumsi tertinggi dibandingkan provinsi di wilayah daratan utama lainnya.
# GGPLOT BOXPLOT
library(ggplot2)
library(tidyr)
library(dplyr)
data_long <- DATA_UJI %>%
pivot_longer(
cols = -Provinsi,
names_to = "Jenis_Protein",
values_to = "Konsumsi"
)
ggplot(data_long,
aes(x = Jenis_Protein,
y = Konsumsi,
color = Jenis_Protein)) +
geom_boxplot() +
stat_summary(fun = mean, geom = "point", shape = 17, size = 3, color = "pink") +
theme(axis.text.x = element_text(angle = 15, hjust = 1))
Interpretasi : Berdasarkan visualisasi boxplot perbandingan keempat jenis protein hewani tahun 2019, konsumsi ikan segar memiliki sebaran data (rentang interkuartil) paling lebar dan nilai tengah (median) tertinggi dibandingkan jenis protein lainnya, sedangkan konsumsi daging sapi dan kerbau memiliki nilai rata-rata dan sebaran paling rendah dengan beberapa titik pencilan (outlier).
# UJI T SATU SAMPEL DAGING AYAM
uji_ayam <- t.test(
DATA_UJI$Konsumsi.daging.ayam,
mu = 5
)
print(uji_ayam)
##
## One Sample t-test
##
## data: DATA_UJI$Konsumsi.daging.ayam
## t = 3.0171, df = 33, p-value = 0.004888
## alternative hypothesis: true mean is not equal to 5
## 95 percent confidence interval:
## 5.483613 7.486387
## sample estimates:
## mean of x
## 6.485
# UJI T SATU SAMPEL TELUR AYAM DAN TELUR BEBEK
uji_telur <- t.test(
DATA_UJI$Konsumsi.telur.ayam.dan.telur.bebek,
mu = 5
)
print(uji_telur)
##
## One Sample t-test
##
## data: DATA_UJI$Konsumsi.telur.ayam.dan.telur.bebek
## t = 3.9374, df = 33, p-value = 0.0004017
## alternative hypothesis: true mean is not equal to 5
## 95 percent confidence interval:
## 5.652009 7.046227
## sample estimates:
## mean of x
## 6.349118
# UJI T SATU SAMPEL IKAN SEGAR
uji_ikan <- t.test(
DATA_UJI$Konsumsi.ikan.segar,
mu = 5
)
print(uji_ikan)
##
## One Sample t-test
##
## data: DATA_UJI$Konsumsi.ikan.segar
## t = 6.9512, df = 33, p-value = 6.048e-08
## alternative hypothesis: true mean is not equal to 5
## 95 percent confidence interval:
## 31.92222 54.20307
## sample estimates:
## mean of x
## 43.06265
# UJI T SATU SAMPEL DAGING SAPI DAN KERBAU
uji_sapi <- t.test(
DATA_UJI$Konsumsi.daging.sapi.dan.kerbau,
mu = 5
)
print(uji_sapi)
##
## One Sample t-test
##
## data: DATA_UJI$Konsumsi.daging.sapi.dan.kerbau
## t = -38.378, df = 33, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 5
## 95 percent confidence interval:
## 0.3317501 0.8017794
## sample estimates:
## mean of x
## 0.5667647
Interpretasi : Berdasarkan hasil uji t satu sampel dengan nilai acuan hipotesis mu = 5 pada tingkat signifikansi 5% (alpha = 0,05), komoditas yang memiliki nilai p-value di bawah 0,05 menunjukkan bahwa rata-rata konsumsi per kapita antarprovinsi di Indonesia berbeda secara signifikan dari nilai acuan 5, sedangkan p-value di atas 0,05 menunjukkan tidak terdapat perbedaan yang signifikan.