library(ggplot2)
## Warning: package 'ggplot2' was built under R version 3.6.3

Bahan

Dataset ini diambil dari portal data Indonesia dengan link : https://data.go.id/dataset/kepadatandluaswilayahperkelurahandkijakarta

Deskripsi

Ada 4 Metode yang saya gunakan untuk mempresentasikan visualisasi datanya yaitu :

1. Menggunakan Histogram(Teknik Faceting)

plot.dki <- ggplot()

plot.dki <- plot.dki + labs(title="Jumlah Kelurahan vs Kepadatan Penduduk DKI Jakarta",subtitle = "Tahun 2019")

# Disini kita memasukkan dataset yang telah disediakan
plot.dki <- read.csv("JUMLAH-KEPADATAN-PENDUDUK-PER-KELURAHAN-2019.csv", sep=",")


plot.dki <- ggplot(data=plot.dki, aes(x=KEPADATAN..JIWA.KM2.,  fill=NAMA.KABUPATEN.KOTA))

plot.dki <- plot.dki + geom_histogram(binwidth=10000)
plot.dki <- plot.dki + labs(x="Kepadatan Jiwa (km2)", y="Jumlah Kelurahan", color="Kabupaten/Kota")
plot.dki + facet_wrap(~NAMA.KABUPATEN.KOTA,ncol=2)

2. Menggunakan Scatter Plot(Teknik Faceting)

# Disini kita membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.kelurahan <- read.csv("JUMLAH-KEPADATAN-PENDUDUK-PER-KELURAHAN-2019.csv", sep=",")

# Disini kita akan menambahkan data dan aesthetic mapping
plot.dki <- ggplot(data=penduduk.kelurahan, aes(x = LUAS.WILAYAH..KM2.,  y=KEPADATAN..JIWA.KM2.,  color=NAMA.KABUPATEN.KOTA))

# Disini kita akan menambahkan layer
plot.dki <- plot.dki + layer(geom = "point", stat="identity", position = "identity")
plot.dki <- plot.dki + labs(x="Luas Wilayah (km2)", y="Kepadatan Jiwa (km2)", color="Kabupaten/Kota")
plot.dki + facet_wrap(~NAMA.KABUPATEN.KOTA,ncol=2)

3. Menggunakan Pie Chart(Koordinat Polar)

# Pada dataset ini,saya telah menambahkan kolom,jenis kelamin,umur,dan jumlah 
# untuk mendapatkan aggregatenya,tetapi tidak merubah keseluruhan kolom.
plot.dki <- read.csv("JUMLAH-KEPADATAN-PENDUDUK-PER-KELURAHAN-2019.csv", sep=",")

# Kita akan melakukan agregasi
# aggregate merupakan fungsi untuk menghasilkan summary dari suatu kolom
p <- aggregate(x=list(JUMLAH=plot.dki$JUMLAH), FUN=sum, by = list(NAMA.KABUPATEN.KOTA=plot.dki$NAMA.KABUPATEN.KOTA))

# Disini kita akan membuat Plot grafik dengan pie chart
plot.dki <- ggplot(data=p, aes(x="", y=JUMLAH, fill = NAMA.KABUPATEN.KOTA))

plot.dki <- plot.dki + geom_bar(width = 1, stat = "identity")
plot.dki <- plot.dki + coord_polar("y", start=0)
plot.dki

4. Menggunakan Histogram dengan pola grafik

# Pada dataset ini,saya telah menambahkan kolom,jenis kelamin,umur,dan jumlah 
# untuk mendapatkan aggregatenya,tetapi tidak merubah keseluruhan kolom.
penduduk.kelurahan <- read.csv("JUMLAH-KEPADATAN-PENDUDUK-PER-KELURAHAN-2019.csv", sep=",")

# Kita akan melakukan agregasi
# aggregate merupakan fungsi untuk menghasilkan summary dari suatu kolom
p <- aggregate(x=list(JUMLAH=penduduk.kelurahan$JUMLAH), FUN=sum, by = list(NAMA.KABUPATEN.KOTA=penduduk.kelurahan$NAMA.KABUPATEN.KOTA, JENIS.KELAMIN=penduduk.kelurahan$JENIS.KELAMIN))

# Disini kita akan membuat Plot grafik
plot.dki <- ggplot(data=p, aes(x = NAMA.KABUPATEN.KOTA, y=JUMLAH, fill=JENIS.KELAMIN, label = JUMLAH))
plot.dki <- plot.dki + geom_bar(stat="identity", position="dodge")  
plot.dki <- plot.dki + labs(title="Jumlah Penduduk DKI Jakarta Umur > 35 - Tahun 2019", x="Kabupaten / Kota", y="Jumlah Penduduk")
plot.dki <- plot.dki + theme(axis.text.x = element_text(angle=45,vjust = 0.5), plot.title = element_text(hjust=0.5))
plot.dki <- plot.dki + geom_text(position = position_dodge(1.2))
plot.dki
## Warning: position_dodge requires non-overlapping x intervals