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
library(tidyverse)
library(ggridges)
library(grid) 
library(DT)

Visualiasi Data

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"

Grafik

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.

Perbaikan Grafik Kelompok 6

Data

Data yang digunakan adalah data House Price Prediction

rumah<-read.csv("https://raw.githubusercontent.com/gerrydito/Sains-Data-S2/master/Praktikum/Visualisasi%20Data/house_price.csv", header = TRUE, sep=",")
datatable(rumah)

Grafik Awal

Grafik yang akan saya buat adalah grafik mengenai regresi dengan peubah penjelas adalah jumlah kamar dan peubah y adalah tahun dibangun.

grafik<-ggplot(aes(x=bedrooms,
               y=yr_built),
           data=rumah)+
  geom_point(color=rainbow(4600))+
  geom_smooth(method="lm", formula=y~x, colour="black")+geom_line()+
  labs(title="Model Regresi Jumlah Kamar Terhadap Tahun Berdiri")+
  xlab("Jumlah Kamar")+
  ylab("Tahun Berdiri")+xlim(0,50)+theme(plot.title = element_text(hjust = 0.5))
grafik

Grafik Perbaikan

# Menghiangkan data pencilan
rumah1 <- rumah %>% filter(price !=26590000 & price !=12899000 ) 
grafik<-ggplot(aes(x=bedrooms,
               y=price),
           data=rumah1)+
  geom_point(color='black')+
  geom_smooth(method="lm", formula=y~x, colour="blue")+
  labs(title="Model Regresi Jumlah Kamar Terhadap Harga")+
  xlab("Jumlah Kamar")+
  ylab("Harga")+theme(plot.title = element_text(hjust = 0.5))
grafik

Catatan Perbaikan

Apprehension atau pemahaman

Menggantikan variabel tahun berdiri dengan variabel jumlah kamar, sehingga substansi data pada grafik dapat menggambarkan model regresi yang lebih tepat, dimana terdapat hubungan antara jumlah kamar tidur dengan harga
Clarity atau kejelasan.

Mengubah warna point menjadi 1 warna karena tidak memiliki makna apapun pada grafik. Serta dilakukan penghapusan 2 observasi data pencilan sehingga model regresi dapat terlihat dengan jelas
Consistency atau konsistensi.

Menghapus plot garis yang menghubungkan antara titik satu dengan titik yang lain
Efficiency atau efisiensi.

Menghapus plot garis yang menghubungkan antara titik satu dengan titik yang lain dan mengubah warna titik menjadi 1 warna
Necesity atau kebutuhan.

Penghapusan elemen garis yang menghubungkan antara titik satu dengan titik yang lain
Truthfulness atau keadaan sebenarnya.

Memperbaiki nilai dari range X dan range Y, agar grafik dapat menggambarkan sebaran plot dan model regresi dengan lebih jelas

Diskusi

Berdasarkan hasil diskusi dari kedua kelompok kecil, maka dapat dirangkum pelanggaran beserta perbaikan untuk masing-masing prinsip ACCENT yaitu :

Prinsip	Pelanggaran	Perbaikan	Perbandingan
Apprehension	Pemilihan variabel yang tidak berkorelasi sehingga plot regresi tidak memiliki substansi yang jelas	Variabel yang sebelumnya adalah jumlah kamar dan tahun berdiri, diganti dengan variabel baru yaitu jumlah kamar dan harga yang memiliki korelasi sehingga substansi data menjadi jelas	Sesuai dengan diskusi
Clarity	Penggunaan warna yang terlalu beragam dalam 1 variabel yang sama dan data yang memiliki pencilan	Warna titik-titik data diubah hanya menjadi 1 warna karena pembedaan warna tidak menjelaskan apapun. Dilakukan juga penghapusan 2 pencilan karena dianggap akan mempengaruhi garis regresi	Sesuai dengan diskusi
Consistency	Grafik regresi yang digunakan tidak sesuai dengan standar pada umumnya. Terdapat plot garis yang menghubungkan titik data. Hal ini tidak sesuai standar dan tidak dibutuhkan	Menghilangkan garis yang menghubungkan titik-titik data	Sesuai dengan diskusi
Efficiency	Penggunaan warna dan garis yang menghubungkan titik data tidak diperlukan karena tidak menjelaskan apapun	Warna titik-titik data diubah menjadi 1 warna dan menghilangkan garis yang menghubungkannya	Sesuai dengan diskusi
Necesity	Garis yang menghubungkan titik-titik data tidak diperlukan dalam grafik	Menghilangkan garis yang menghubungkan titik-titik data	Sesuai dengan diskusi
Truthfulness	Skala pada sumbu x (Jumlah Kamar) tidak sesuai dengan range data. Data hanya ada pada range 1-10, sedangkan dalam grafik dibuat skala sampai dengan 50. Hal ini mengurangi keterbacaan data grafik	Memperbaiki nilai dari range sumbu X dan Y agar sebaran plot dan model regresi dapat terlihat dengan jelas	Sesuai dengan diskusi

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

Tugas Visualisasi Data

Package

Visualiasi Data

Data

Grafik

Catatan Pelanggaran

Perbaikan Grafik Kelompok 6

Data

Grafik Awal

Grafik Perbaikan

Catatan Perbaikan

Diskusi

References