Komuter Jabodetabek dan Penghasilan

Visualisasi Data Komuter Jabodetabek Berdasarkan Penghasilan

Data Wrangling

Cek Data

# Import Data
komuter <- read.csv("Komuter Jabodetabek.csv")
komuter

##     moda_transportasi gaji_a gaji_b gaji_c gaji_d gaji_e gaji_f
## 1          jalan_kaki   3469   2674   2329   8429   2118  19804
## 2               becak     NA     NA     NA     NA     NA     NA
## 3              sepeda     NA   2697   1150   1364     NA   5792
## 4        sepeda_motor   6884  47494 151709 561065 352795 165481
## 5         ojek_online    336   3825   6996  20911  18085  77767
## 6               mobil     NA   2278   5556   5987 216472 238238
## 7        mobil_sewaan     NA     NA    658     NA   4517   5175
## 8  kendaraan_jemputan     NA     NA   1753  13079  25650  58920
## 9      kendaraan_umum   2380  13656  23313  36933  22771 115741
## 10           bus_umum     NA     NA   3196   7577  36498  62819
## 11             kereta     NA  11162  17035  41340 109125 235704
## 12   bus_transjakarta     NA   4024   3026  22176  41690  90446
## 13            lainnya    593    892     NA   1407     NA   2892

Untuk pengolahan data, nama kolom diganti menjadi tipe karakter:
gaji_a: < 1.000.000
gaji_b: 1.000.000 - 1.999.999
gaji_c: 2.000.000 - 2.999.999
gaji_d: 3.000.000 - 3.999.999
gaji_e: 4.000.000 - 4.999.999
gaji_f: > 5.000.000

# Cek Struktur Data
str(komuter)

## 'data.frame':    13 obs. of  7 variables:
##  $ moda_transportasi: Factor w/ 13 levels "becak","bus_transjakarta",..: 4 1 12 13 11 9 10 5 6 3 ...
##  $ gaji_a           : int  3469 NA NA 6884 336 NA NA NA 2380 NA ...
##  $ gaji_b           : int  2674 NA 2697 47494 3825 2278 NA NA 13656 NA ...
##  $ gaji_c           : int  2329 NA 1150 151709 6996 5556 658 1753 23313 3196 ...
##  $ gaji_d           : int  8429 NA 1364 561065 20911 5987 NA 13079 36933 7577 ...
##  $ gaji_e           : int  2118 NA NA 352795 18085 216472 4517 25650 22771 36498 ...
##  $ gaji_f           : int  19804 NA 5792 165481 77767 238238 5175 58920 115741 62819 ...

library(ggplot2)

# Cek Jumlah Missing Value (NA)
colSums(is.na(komuter))

## moda_transportasi            gaji_a            gaji_b            gaji_c 
##                 0                 8                 4                 2 
##            gaji_d            gaji_e            gaji_f 
##                 2                 3                 1

# install.packages("zoo")
library(zoo)

## 
## Attaching package: 'zoo'

## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

Pembersihan Data

# Replace data NA dengan 'mean' tiap kolom gaji
library(tidyr)

komuter$gaji_a <- replace_na(komuter$gaji_a,as.numeric(mean(komuter$gaji_a, na.rm = T)))
komuter$gaji_b <- replace_na(komuter$gaji_b,as.numeric(mean(komuter$gaji_b, na.rm = T)))
komuter$gaji_c <- replace_na(komuter$gaji_c,as.numeric(mean(komuter$gaji_c, na.rm = T)))
komuter$gaji_d <- replace_na(komuter$gaji_d,as.numeric(mean(komuter$gaji_d, na.rm = T)))
komuter$gaji_e <- replace_na(komuter$gaji_e,as.numeric(mean(komuter$gaji_e, na.rm = T)))
komuter$gaji_f <- replace_na(komuter$gaji_f,as.numeric(mean(komuter$gaji_f, na.rm = T)))

# Cek data NA replaced with mean column
str(komuter)

## 'data.frame':    13 obs. of  7 variables:
##  $ moda_transportasi: Factor w/ 13 levels "becak","bus_transjakarta",..: 4 1 12 13 11 9 10 5 6 3 ...
##  $ gaji_a           : num  3469 2732 2732 6884 336 ...
##  $ gaji_b           : num  2674 9856 2697 47494 3825 ...
##  $ gaji_c           : num  2329 19702 1150 151709 6996 ...
##  $ gaji_d           : num  8429 65479 1364 561065 20911 ...
##  $ gaji_e           : num  2118 82972 82972 352795 18085 ...
##  $ gaji_f           : num  19804 89898 5792 165481 77767 ...

# Menggabungkan Data Gaji ke dalam satu Column
komuter_pivot <- pivot_longer(data = komuter,
             cols = c("gaji_a",
                      "gaji_b",
                      "gaji_c",
                      "gaji_d",
                      "gaji_e",
                      "gaji_f"),
             names_to = "Var_Gaji",
             values_to = "Jumlah_Komuter")
komuter_pivot

## # A tibble: 78 x 3
##    moda_transportasi Var_Gaji Jumlah_Komuter
##    <fct>             <chr>             <dbl>
##  1 jalan_kaki        gaji_a            3469 
##  2 jalan_kaki        gaji_b            2674 
##  3 jalan_kaki        gaji_c            2329 
##  4 jalan_kaki        gaji_d            8429 
##  5 jalan_kaki        gaji_e            2118 
##  6 jalan_kaki        gaji_f           19804 
##  7 becak             gaji_a            2732.
##  8 becak             gaji_b            9856.
##  9 becak             gaji_c           19702.
## 10 becak             gaji_d           65479.
## # … with 68 more rows

library(plotly)

## 
## Attaching package: 'plotly'

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

Visualisasi

Plot Point Jumlah Komuter Jabodetabek Berdasarkan Moda Transportasi

# Plot Point Berdasarkan Moda Transportasi
komuter_point <- ggplot(komuter_pivot, aes(x = reorder(moda_transportasi, Jumlah_Komuter),
                    y = Jumlah_Komuter)) +
  geom_point(aes(fill = Var_Gaji)) +
  coord_flip()
ggplotly(komuter_point)

gaji_a: < 1.000.000
gaji_b: 1.000.000 - 1.999.999
gaji_c: 2.000.000 - 2.999.999
gaji_d: 3.000.000 - 3.999.999
gaji_e: 4.000.000 - 4.999.999
gaji_f: > 5.000.000

Boxplot Jumlah Komuter Jabodetabek Berdasarkan Moda Transportasi

#Boxplot Berdasarkan Moda Transportasi
komuter_boxplot <- ggplot(komuter_pivot, aes(x = reorder(moda_transportasi,Jumlah_Komuter),
                    y = Jumlah_Komuter)) +
  geom_boxplot(aes(fill = moda_transportasi)) +
  coord_flip()
ggplotly(komuter_boxplot)

gaji_a: < 1.000.000
gaji_b: 1.000.000 - 1.999.999
gaji_c: 2.000.000 - 2.999.999
gaji_d: 3.000.000 - 3.999.999
gaji_e: 4.000.000 - 4.999.999
gaji_f: > 5.000.000

Plot Point Jumlah Komuter Jabodetabek Berdasarkan Varian Gaji

komuter_plotgaji <- ggplot(komuter_pivot, aes(x = reorder(Var_Gaji,Jumlah_Komuter),
                    y = Jumlah_Komuter)) +
  geom_jitter(aes(fill = moda_transportasi)) +
  coord_flip()
ggplotly(komuter_plotgaji)

Boxplot Jumlah Komuter Jabodetabek Berdasarkan Varian Gaji

komuter_boxgaji <- ggplot(komuter_pivot, aes(x = reorder(Var_Gaji,Jumlah_Komuter),
                    y = Jumlah_Komuter)) +
  geom_boxplot(aes(fill = Var_Gaji)) +
  coord_flip()
ggplotly(komuter_boxgaji)

Insight

• Moda Transportasi yg memiliki Outlier Jumlah Komuter ialah:
  1. Kendaraan Umum, Komuter berpenghasilan > 5juta
  2. Ojek Online, Komuter berpenghasilan > 5juta
  3. Lainnya, Komuter berpenghasilan 4.000.000 - 4.999.999
  4. Mobil Sewaan, Komuter berpenghasilan 4.000.000 - 4.999.999
  5. Jalan Kaki, Komuter berpenghasilan 3.000.000 - 3.999.999