Package

Package yang digunakan pada percobaan ini adalah:

library(knitr)
library(kableExtra)
library(tidyverse)
library(ggridges)
library(GGally)
library(plotly)     # Untuk membuat plot interaktif
library(mosaicData) # Untuk dataset

Data

Data yang digunakan pada percobaan ini adalah data Weather yang memiliki 25 kolom.

2016-2017 weather in several cities : merupakan data time series yang menggambarkan kondisi perkembangan cuaca pada beberapa kota yang dirinci menurut bulan dan hari pada tahun 2016-2017

mosaicData::Weather

## # A tibble: 3,655 x 25
##    city  date        year month   day high_temp avg_temp low_temp high_dewpt
##    <chr> <date>     <dbl> <int> <dbl>     <dbl>    <dbl>    <dbl>      <dbl>
##  1 Auck~ 2016-01-01  2016     1     1        68       65       62         64
##  2 Auck~ 2016-01-02  2016     1     2        68       66       64         64
##  3 Auck~ 2016-01-03  2016     1     3        77       72       66         70
##  4 Auck~ 2016-01-04  2016     1     4        73       66       60         66
##  5 Auck~ 2016-01-05  2016     1     5        69       62       55         55
##  6 Auck~ 2016-01-06  2016     1     6        69       63       57         54
##  7 Auck~ 2016-01-07  2016     1     7        71       66       60         59
##  8 Auck~ 2016-01-08  2016     1     8        77       70       64         72
##  9 Auck~ 2016-01-09  2016     1     9        69       66       64         68
## 10 Auck~ 2016-01-10  2016     1    10        71       66       62         63
## # ... with 3,645 more rows, and 16 more variables: avg_dewpt <dbl>,
## #   low_dewpt <dbl>, high_humidity <dbl>, avg_humidity <dbl>,
## #   low_humidity <dbl>, high_hg <dbl>, avg_hg <dbl>, low_hg <dbl>,
## #   high_vis <dbl>, avg_vis <dbl>, low_vis <dbl>, high_wind <dbl>,
## #   avg_wind <dbl>, low_wind <dbl>, precip <chr>, events <chr>

kbl(head(Weather,20), caption = "Data Weather") %>%  kable_styling() %>% scroll_box(height = "300px")

Data Weather
city	date	year	month	day	high_temp	avg_temp	low_temp	high_dewpt	avg_dewpt	low_dewpt	high_humidity	avg_humidity	low_humidity	high_hg	avg_hg	low_hg	high_vis	avg_vis	low_vis	high_wind	avg_wind	low_wind	events
Auckland	2016-01-01	2016	1	1	68	65	62	64	60	55	100	82	68	30.15	30.09	30.01	6	6	4	21	15	28	Rain
Auckland	2016-01-02	2016	1	2	68	66	64	64	63	61	100	94	88	30.04	29.90	29.80	6	5	1	33	21	46	Rain
Auckland	2016-01-03	2016	1	3	77	72	66	70	67	64	100	91	74	29.80	29.73	29.68	6	6	1	18	12	NA	Rain
Auckland	2016-01-04	2016	1	4	73	66	60	66	60	54	100	76	53	30.12	29.90	29.77	6	6	6	15	10	NA	Rain
Auckland	2016-01-05	2016	1	5	69	62	55	55	52	48	82	69	56	30.21	30.14	30.09	6	6	6	13	7	NA	NA
Auckland	2016-01-06	2016	1	6	69	63	57	54	51	46	88	65	46	30.24	30.22	30.18	6	6	6	17	8	28	NA
Auckland	2016-01-07	2016	1	7	71	66	60	59	54	50	83	65	53	30.24	30.13	30.04	6	6	6	22	12	25	Rain
Auckland	2016-01-08	2016	1	8	77	70	64	72	67	59	100	92	83	30.01	29.79	29.62	6	6	2	21	14	28	Rain
Auckland	2016-01-09	2016	1	9	69	66	64	68	61	55	100	81	64	29.86	29.76	29.65	6	6	4	18	11	29	Rain
Auckland	2016-01-10	2016	1	10	71	66	62	63	58	55	88	76	64	29.95	29.86	29.83	6	6	6	20	15	NA	Rain
Auckland	2016-01-11	2016	1	11	75	67	59	61	58	54	94	72	53	30.09	30.03	29.95	6	6	6	17	10	26	NA
Auckland	2016-01-12	2016	1	12	69	66	62	66	62	59	100	87	78	30.09	30.01	29.95	6	6	3	16	8	NA	Rain
Auckland	2016-01-13	2016	1	13	71	66	62	61	57	54	83	73	64	30.06	30.00	29.95	6	6	6	18	13	NA	NA
Auckland	2016-01-14	2016	1	14	75	68	62	63	61	59	94	80	65	30.21	30.13	30.04	6	6	6	17	9	NA	NA
Auckland	2016-01-15	2016	1	15	75	68	62	63	60	57	94	76	57	30.21	30.12	30.04	6	6	6	15	7	NA	NA
Auckland	2016-01-16	2016	1	16	78	68	59	66	61	50	100	76	41	30.09	30.04	29.98	6	6	6	12	4	NA	Rain
Auckland	2016-01-17	2016	1	17	78	72	66	68	65	63	94	80	61	30.04	29.95	29.92	6	6	6	21	11	NA	Rain
Auckland	2016-01-18	2016	1	18	77	72	68	72	68	64	100	89	69	29.92	29.86	29.80	6	6	2	29	18	41	Rain
Auckland	2016-01-19	2016	1	19	75	68	62	70	62	59	100	78	61	30.01	29.91	29.83	6	6	6	20	11	NA	Rain
Auckland	2016-01-20	2016	1	20	75	68	62	63	62	61	94	78	65	30.09	30.03	29.98	6	6	6	12	5	NA	NA

Data Weather memiliki 3655 observasi data dan 25 kolom

dim(Weather)

## [1] 3655   25

colnames(Weather)

##  [1] "city"          "date"          "year"          "month"        
##  [5] "day"           "high_temp"     "avg_temp"      "low_temp"     
##  [9] "high_dewpt"    "avg_dewpt"     "low_dewpt"     "high_humidity"
## [13] "avg_humidity"  "low_humidity"  "high_hg"       "avg_hg"       
## [17] "low_hg"        "high_vis"      "avg_vis"       "low_vis"      
## [21] "high_wind"     "avg_wind"      "low_wind"      "precip"       
## [25] "events"

Visualisasi Data

Dilakukan agregasi data temperatur menurut city

df<-Weather  %>% group_by(city)  %>% summarise(m=sum(avg_temp))  
df

## # A tibble: 5 x 2
##   city          m
## * <chr>     <dbl>
## 1 Auckland  44311
## 2 Beijing   40562
## 3 Chicago   38512
## 4 Mumbai    59165
## 5 San Diego 48649

Visualisasi Data Dengan Line Chart

ggplot(df, aes(x=city, y=m)) + 
    geom_line(aes(group=4), size=2, colour="green") +  
    geom_point(size=5, colour=c("red", "yellow", "blue", "orange", "black"))+
    geom_label(data = df,
             aes(label = m, x = city, y=m), 
             vjust = -0.5,
             show.legend = TRUE)+ 
    ggtitle("Weather in several cities")+ 
    labs(x=NULL,  y=NULL)+
    ylim(38000,63000)

Catatan Pelanggaran

1 Apprehension (Pemahaman) : Kemampuan untuk melihat hubungan di antara data dengan benar

Data Weather merupakan data yang berisi kondisi cuaca pada beberapa kota yang dirinci menurut tahun, bulan, dan hari. Plot yang dibuat adalah penjumlahan temperatur menurut kota pada series waktu 2016-2017. Plot menampilkan group by city dan summary data berupa penjumlahan temperatur (temp) selama 2016-2017, sehingga tidak tepat menggambarkan perbedaan cuaca menurut kota (city). Jenis plot yang digunakan adalah line chart, hal ini dinilai tidak tepat karena data yang ditampilkan bukan jenis data time series.

2 Clarity (Kejelasan) : Kemampuan untuk membedakan elemen-elemen grafik secara visual

Pada line chart tidak terdapat label x dan label y, sehingga tidak jelas unit/satuan dari line chart. Line chart juga tidak menampilkan variabel yang diukur satuan dan referensi waktu yang digunakan

3 Consistency (Konsistensi) : Kemampuan menafsirkan grafik berdasarkan keterpaparan pada grafik serupa di masa lalu atau standar universal yang wajar

Plot ini tidak konsisten karena kesalahan dalam memilih tipe grafik untuk menampilkan data.

4 Efficiency (Kejelasan) : Kemampuan grafik untuk menggambarkan data dengan cara sesederhana mungkin

Pemilihan warna pada unsur line dan point tidak tepat karena menggabungkan warna merah dan hijau, dimana warna tersebut sebaiknya dihindari pada pengidap buta warna

5 Necesity (Kebutuhan) : Berkaitan dengan kebutuhan grafik atau elemen tertentu.

Pemberian label jumlah kasus pada setiap line point tidak diperlukan.

6 Truthfulness (Keadaan sebenarnya) : Apakah data di plot dengan benar dalam sistem koordinat yang ditentukan dengan baik.

Tidak menggambarkan keadaan yang sebenarnya, karena line chart dibuat dengan kaidah yang salah dari sisi data yang ditampilkan, karena jumlah temperature yang dikelompokan menurut kota (city) menjadikan data hilang makna dan tidak menggambarkan kondisi sebenarnya.

References

Dito GA, Anisa R. 2020. Visualisasi Data dengan ggplot2. [1 Maret 2021]. (https://rpubs.com/gdito/viz-ggplot2)

RStudio . tanpa tahun . Data Visualization with ggplot2 Cheat Sheet [4 Maret 2021]. https://rstudio.com/wp-content/uploads/2015/03/ggplot2-cheatsheet.pdf

Nurussadad, A.A. (2021). Visualisasi Data dengan ggplot2. [3 Maret 2021]. https://rpubs.com/nurussadad/STA581-04-ggplot2

Tugas Visualisasi Data