---
title: "Perkembangan Indeks Pembangunan Manusia 2014-2018"
output:
flexdashboard::flex_dashboard:
orientation: columns
social: menu
source_code: embed
---
```{r setup, include=FALSE}
library(readxl)
library(tidyverse)
library(tigris)
library(sf)
library(ggplot2)
library(plotly)
library(flexdashboard)
ipm <- read_xlsx("C:/ipm_metode_baru.xlsx",sheet="Provinsi",skip=3)
str(ipm)
Komponen <- c("AHH","HLS","RLS","PPP","IPM") %>% rep(each=9) %>% rep(35)
data_ipm <- ipm %>% pivot_longer(!c(Kode,Provinsi),names_to="thn",values_to="Nilai") %>%
mutate(Tahun=rep(2010:2018,175),Komponen=Komponen)
data_ipm$Pulau <- substr(data_ipm$Kode,1,1) %>% as.numeric()
data_ipm <- data_ipm %>% select(1,2,7,6,5,4)
View(data_ipm)
str(data_ipm)
ipm_nas <- data_ipm %>% select("Provinsi", "Komponen", "Tahun", "Nilai") %>%
filter(Provinsi == 'INDONESIA', Komponen == 'IPM', Tahun %in% 2014:2018)
```
Perkembangan IPM NASIONAL {data-icon="fa-signal"}
=======================================================================
Row {data-height=350}
-----------------------------------------------------------------------
### Perkembangan IPM
```{r}
plot1 <- ggplot() +
geom_point(data=ipm_nas,
mapping = aes(x = Tahun, y = Nilai), colour="blue"
) +
labs(title="Perkembangan IPM 5 tahun terakhir", x= "", y = 'IPM') +
theme(axis.text.x = element_text(angle=0,vjust = 0.5), plot.title = element_text(hjust=0.5), panel.background=element_rect(fill = "lavender", colour="blue"))
ggplotly(plot1)
```
Column
--------------------------
### CAPTION
Untuk melihat perkembangan IPM Indonesia selama 5 tahun terakhir (berdasarkan ketersediaan data) maka akan dibuat grafik IPM dari tahun 2013 - 2018 pada tingkat nasional.
Perkembangan IPM Nasional selama 5 tahun terakhir menunjukan tren positif dengan rata-rata pertumbuhan per tahun sebesar 0,88 persen.
Kategori IPM {data-icon="fa-bar-chart"}
=======================================================================
Column {data-height=650}
-----------------------------------------------------------------------
### Kategori IPM 2014
```{r}
ipm_2014 <- data_ipm %>%
filter (Provinsi!='INDONESIA', Komponen == 'IPM', Tahun == 2014) %>%
mutate (Kategori = if_else(Nilai >= 80, "Sangat Tinggi",
if_else(Nilai > 70, "Tinggi",
if_else (Nilai > 60, "Sedang", "Rendah"))))
ipm_2014_K <- factor(ipm_2014$Kategori, levels = c("Rendah", "Sedang", "Tinggi", "Sangat Tinggi"))
data_ipm_2014 <- as.data.frame(table(ipm_2014_K))
colnames(data_ipm_2014) <- c("Kategori", "Jumlah")
plot6 <- ggplot(data_ipm_2014, aes(x=Kategori, y=Jumlah)) +
geom_col(fill="#21D1A3", alpha=0.8)+
labs(title="Kategori IPM Tahun 2014", x="", y="Jumlah Provinsi")+
geom_text(aes(label = Jumlah), nudge_y = 1)+
theme(axis.title = element_text(angle=0,vjust = 0.5, size=9) , plot.title = element_text(hjust=0.5, size=9)) #panel.background = element_rect(fill = "white", colour = "grey50"))
ggplotly(plot6)
```
### Kategori IPM 2017
```{r}
ipm_2017 <- data_ipm %>%
filter (Provinsi!='INDONESIA', Komponen == 'IPM', Tahun == 2017) %>%
mutate (Kategori = if_else(Nilai >= 80, "Sangat Tinggi",
if_else(Nilai > 70, "Tinggi",
if_else (Nilai > 60, "Sedang", "Rendah"))))
ipm_2017_K <- factor(ipm_2017$Kategori, levels = c("Rendah", "Sedang", "Tinggi", "Sangat Tinggi"))
data_ipm_2017 <- as.data.frame(table(ipm_2017_K))
colnames(data_ipm_2017) <- c("Kategori", "Jumlah")
plot3 <- ggplot(data=data_ipm_2017, aes(x= Kategori, y = Jumlah)) +
geom_col(fill="#21D1A3", alpha=0.8)+
labs(title="Kategori IPM Tahun 2017", x="", y="Jumlah Provinsi")+
geom_text(aes(label = Jumlah), nudge_y = 1)+
theme(axis.text.x = element_text(angle=0,vjust = 0.5, size=9), plot.title = element_text(hjust=0.5, size=9))
ggplotly(plot3)
```
Row {data-height=650}
-----------------------------------------------------------------------
### Kategori IPM 2015
```{r}
ipm_2015 <- data_ipm %>%
filter (Provinsi!='INDONESIA', Komponen == 'IPM', Tahun == 2015) %>%
mutate (Kategori = if_else(Nilai >= 80, "Sangat Tinggi",
if_else(Nilai > 70, "Tinggi",
if_else (Nilai > 60, "Sedang", "Rendah"))))
ipm_2015_K <- factor(ipm_2015$Kategori, levels = c("Rendah", "Sedang", "Tinggi", "Sangat Tinggi"))
data_ipm_2015 <- as.data.frame(table(ipm_2015_K))
colnames(data_ipm_2015) <- c("Kategori", "Jumlah")
plot5 <- ggplot(data=data_ipm_2015, aes(x= Kategori, y = Jumlah)) +
geom_col(fill="#21D1A3", alpha=0.8)+
labs(title="Kategori IPM Tahun 2015", x="", y="Jumlah Provinsi" )+
geom_text(aes(label = Jumlah), nudge_y = 1)+
theme(axis.text.x = element_text(angle=0,vjust = 0.5, size=9), plot.title = element_text(hjust=0.5,size=9))
ggplotly(plot5)
```
### Kategori IPM 2018
```{r}
ipm_2018 <- data_ipm %>%
filter (Provinsi!='INDONESIA', Komponen == 'IPM', Tahun == 2018) %>%
mutate (Kategori = if_else(Nilai >= 80, "Sangat Tinggi",
if_else(Nilai > 70, "Tinggi",
if_else (Nilai > 60, "Sedang", "Rendah"))))
ipm_2018_K <- factor(ipm_2018$Kategori, levels = c("Rendah", "Sedang", "Tinggi", "Sangat Tinggi"))
data_ipm_2018 <- as.data.frame(table(ipm_2018_K))
colnames(data_ipm_2018) <- c("Kategori", "Jumlah")
plot2 <- ggplot(data=data_ipm_2018, aes(x= Kategori, y = Jumlah)) +
geom_col(fill="#21D1A3", alpha=0.8)+
labs(title="Kategori IPM Tahun 2018", x="", y="Jumlah Provinsi")+
geom_text(aes(label = Jumlah), nudge_y = 1)+
theme(axis.text.x = element_text(angle=0,vjust = 0.5, size=9), plot.title = element_text(hjust=0.5, size=9))
ggplotly(plot2)
```
Column {data-height=650}
----------------------------------------------------------------------
### Kategori IPM 2016
```{r}
ipm_2016 <- data_ipm %>%
filter (Provinsi!='INDONESIA', Komponen == 'IPM', Tahun == 2016) %>%
mutate (Kategori = if_else(Nilai >= 80, "Sangat Tinggi",
if_else(Nilai > 70, "Tinggi",
if_else (Nilai > 60, "Sedang", "Rendah"))))
ipm_2016_K <- factor(ipm_2016$Kategori, levels = c("Rendah", "Sedang", "Tinggi", "Sangat Tinggi"))
data_ipm_2016 <- as.data.frame(table(ipm_2016_K))
colnames(data_ipm_2016) <- c("Kategori", "Jumlah")
plot4 <- ggplot(data=data_ipm_2016, aes(x= Kategori,y = Jumlah)) +
geom_col(fill="#21D1A3", alpha=0.8)+
labs(title="Kategori IPM Tahun 2016", x="", y="Jumlah Provinsi")+
geom_text(aes(label = Jumlah), nudge_y = 1)+
theme(axis.text.x = element_text(angle=0,vjust = 0.5, size=9), plot.title = element_text(hjust=0.5,size=9))
ggplotly(plot4)
```
### CAPTION
Nilai IPM kelompokkan menjadi 4 kategori untuk melihat capaian pembangunan di suatu wilayah.
Kelompok nilai IPM tersebut adalah
1. Kategori "sangat tinggi": IPM ≥ 80
2. Kategori "tinggi": 70 ≤ IPM < 80
3. Kategori "sedang": 60 ≤ IPM < 70
4. Kategori "rendah": IPM < 60
Peta Provinsi {data-icon="fa-map"}
==============================================
Column
----------
### Peta 2014
```{r, include=FALSE}
#Peta Indonesia
indo_map <- "C:/Data/Spasial/idn_adm_bps_20200401_shp/idn_admbnda_adm1_bps_20200401.shp"
glimpse(indo_map)
indo_map1 <- st_read(indo_map)
#Data IPM
dfIPM <- read.csv("C:/Data/Spasial/Data_IPM.csv", header=TRUE, sep=";")
str(dfIPM)
merge1 <- merge(indo_map1, dfIPM, by.x = "ADM1_PCODE", by.y="ADM1_PCODE")
mycol <- c("red4", "red", "yellow", "green" )
```
```{r}
peta_ipm14_<-ggplot()+
geom_sf(data=merge1,aes(fill=ipm_14))+
scale_fill_gradientn(colours=mycol, name="IPM")+
labs(title="INDEKS PEMBANGUNAN MANUSIA 2014") +
theme(plot.title = element_text(hjust=0.5))
peta_ipm14_
```
### Peta 2017
```{r}
peta_ipm17_<-ggplot()+
geom_sf(data=merge1,aes(fill=ipm_17))+
scale_fill_gradientn(colours=mycol, name="IPM")+
labs(title="INDEKS PEMBANGUNAN MANUSIA 2017") +
theme(plot.title = element_text(hjust=0.5))
peta_ipm17_
```
Column
------------
### Peta 2015
```{r}
peta_ipm15_<-ggplot()+
geom_sf(data=merge1,aes(fill=ipm_15))+
scale_fill_gradientn(colours=mycol, name="IPM")+
labs(title="INDEKS PEMBANGUNAN MANUSIA 2015") +
theme(plot.title = element_text(hjust=0.5))
peta_ipm15_
```
### Peta 2018
```{r, include=FALSE}
#Peta Indonesia
indo_map <- "C:/Data/Spasial/idn_adm_bps_20200401_shp/idn_admbnda_adm1_bps_20200401.shp"
glimpse(indo_map)
indo_map1 <- st_read(indo_map)
#Data IPM 2018
ipm18 <- read.csv("C:/Data/Spasial/IPM_18.csv", header=TRUE, sep=";")
str(ipm18)
merge <- merge(indo_map1, ipm18, by.x = "ADM1_PCODE", by.y="ADM1_PCODE")
mycol <- c("red4", "red", "yellow", "green" )
```
```{r}
peta_ipm18_<-ggplot()+
geom_sf(data=merge1,aes(fill=ipm_18))+
scale_fill_gradientn(colours=mycol, name="IPM")+
labs(title="INDEKS PEMBANGUNAN MANUSIA 2018") +
theme(plot.title = element_text(hjust=0.5))
peta_ipm18_
```
Column
-------------
### Peta 2016
```{r}
peta_ipm16_<-ggplot()+
geom_sf(data=merge1,aes(fill=ipm_16))+
scale_fill_gradientn(colours=mycol, name="IPM")+
labs(title="INDEKS PEMBANGUNAN MANUSIA 2016") +
theme(plot.title = element_text(hjust=0.5))
peta_ipm16_
```
### Caption
Wilayah Barat cenderungmemiliki sebaran Nilai IPM yang lebih tinggi dibandingkan wilayah Timur Indonesia.
IPM 2018 {data-icon="fa-child"}
===============================================
Column
------------
### IPM 2018
```{r}
ipm_2018$Kategori <- factor(ipm_2018$Kategori, levels = c("Rendah", "Sedang", "Tinggi", "Sangat Tinggi"))
p_2018 <- ipm_2018 %>%
mutate(rank = row_number())
ipm_18prov <- p_2018%>%
mutate(Provinsi=fct_reorder(Provinsi,Nilai))%>%
ggplot() +
geom_segment( aes(x=Provinsi, xend=Provinsi, y=0, yend=Nilai), color="grey") +
geom_point( aes(x=Provinsi, y=Nilai, color=Kategori), size=3 ) +
coord_flip()+
labs(title = "Indeks Pembangun Manusia 2018") +
theme_minimal() +
theme(
legend.position = "bottom",
panel.border = element_blank(),
panel.spacing = unit(0.2, "lines"),
strip.text.x = element_text(size = 8),
panel.grid.minor.y = element_blank(),
panel.grid.major.y = element_blank(),
plot.title = element_text(hjust=0.5, size=10),
axis.text.y = element_text(angle=0,vjust = 0.5, size=8),
) +
xlab("") +
ylab("")
ggplotly(ipm_18prov)
```
Column
------------
### Wilayah Barat Timur
```{r}
library(ggridges)
ipm_2018 <- data_ipm %>%
filter (Provinsi!='INDONESIA', Komponen == 'IPM', Tahun == 2018) %>%
mutate (Kategori = if_else(Nilai >= 80, "Sangat Tinggi",
if_else(Nilai > 70, "Tinggi",
if_else (Nilai > 60, "Sedang", "Rendah"))))
ipm_2018$Kategori <- factor(ipm_2018$Kategori, levels = c("Rendah", "Sedang", "Tinggi", "Sangat Tinggi"))
plot_baratimur <- ipm_2018 %>%
mutate (ipm_2018, Wilayah = ifelse(Pulau %in% c(5,6,7,8,9), "Timur", "Barat")) %>%
ggplot(aes(Nilai, Kategori)) +
facet_wrap(~Wilayah) +
geom_density_ridges_gradient(
aes(fill = after_stat(x)),
show.legend = FALSE
)
plot_baratimur +
geom_vline(xintercept = 100, linetype = "dashed", colour = "darkslategray4") +
scale_x_continuous(trans = "log10") +
scale_fill_viridis_c(option = "magma") +
labs(
x = "IPM",
y = NULL,
title = "Indeks Pembangunan Manusia 2018 Berdasarkan Kategori",
subtitle = "Berdasarkan data tahun 2018, garis vertikal menunjukan nilai IPM",
caption = "Data: Badan Pusat Statistik"
) +
theme(axis.title = element_blank(), strip.background = element_blank(), plot.title = element_text(hjust=0.5, size=12), plot.subtitle = element_text(size=8), panel.background = element_rect(fill = "white", colour = "white"))
```
### Caption
Pada tahun 2018, capaian Nasional IPM sebesar 71,39, tentunya nilai ini terus mengalami perbaikan sejak 5 tahun terakhir. Jika kita lihat di tingkat provinsi pada grafik IPM 2018, nampak bahwa Provinsi Jakarta merupakan provinsi yang memiliki Nilai IPM tertinggi dengan kategori **Sangat Tinggi** dan provinsi Papua memiliki nilai IPM terendah dengan **Kategori Sedang**.
Berdasarkan plot IPM 2018 juga menunjukkan 5 provinsi yang memiliki IPM terendah berada di wilayah timur.
Pada kurva sebaran data IPM wilayah Barat dan Wilayah Timur yang disandingkan tampak bahwa Wilayah barat cenderung memiliki IPM yang lebih baik dibandingkan wilayah timur
Komponen IPM {data-icon="fa-group"}
=======================
Column
-----------------------
### ANGKA HARAPAN HIDUP (AHH)
```{r}
komp_2018_AHH <- data_ipm %>%
filter (Provinsi!='INDONESIA', Komponen =='AHH', Tahun == 2018) %>%
mutate (Kategori = if_else(Nilai >= 80, "Sangat Tinggi",
if_else(Nilai > 70, "Tinggi",
if_else (Nilai > 60, "Sedang", "Rendah"))))
plot_komp18_AHH <- komp_2018_AHH %>%
mutate (komp_2018_AHH, Wilayah = ifelse(Pulau %in% c(5,6,7,8,9), "Timur", "Barat")) %>%
ggplot(aes(Nilai, Komponen)) +
facet_wrap(~Wilayah) +
geom_density_ridges_gradient(
aes(fill = after_stat(x)),
show.legend = FALSE
)
plot_komp18_AHH +
geom_vline(xintercept =71,20, linetype = "dashed", colour = "darkslategray4") +
scale_x_continuous(trans = "log10") +
scale_fill_viridis_c(option = "magma") +
labs(
x = "AHH",
y = NULL,
title = "Komponen AHH 2018 Berdasarkan Wilayah",
subtitle = "Berdasarkan data tahun 2018, garis vertikal menunjukan nilai AHH Nasional",
caption = "Data: Badan Pusat Statistik"
) +
theme(axis.title = element_blank(), strip.background = element_blank(), plot.title = element_text(hjust=0.5, size=12), plot.subtitle = element_text(size=8), panel.background = element_rect(fill = "white", colour = "white"))
```
### RATA LAMA SEKOLAH (RLS)
```{r}
komp_2018_RLS <- data_ipm %>%
filter (Provinsi!='INDONESIA', Komponen =='RLS', Tahun == 2018) %>%
mutate (Kategori = if_else(Nilai >= 80, "Sangat Tinggi",
if_else(Nilai > 70, "Tinggi",
if_else (Nilai > 60, "Sedang", "Rendah"))))
plot_komp18_RLS <- komp_2018_RLS %>%
mutate (komp_2018_RLS, Wilayah = ifelse(Pulau %in% c(5,6,7,8,9), "Timur", "Barat")) %>%
ggplot(aes(Nilai, Komponen)) +
facet_wrap(~Wilayah) +
geom_density_ridges_gradient(
aes(fill = after_stat(x)),
show.legend = FALSE
)
plot_komp18_RLS +
geom_vline(xintercept = 8.17, linetype = "dashed", colour = "darkslategray4") +
scale_x_continuous(trans = "log10") +
scale_fill_viridis_c(option = "magma") +
labs(
x = "RLS",
y = NULL,
title = "Komponen RLS 2018 Berdasarkan Wilayah",
subtitle = "Berdasarkan data tahun 2018, garis vertikal menunjukan nilai RLS Nasional",
caption = "Data: Badan Pusat Statistik"
) +
theme(axis.title = element_blank(), strip.background = element_blank(), plot.title = element_text(hjust=0.5, size=12), plot.subtitle = element_text(size=8), panel.background = element_rect(fill = "white", colour = "white"))
```
Column
------------------------
### HARAPAN LAMA SEKOLAH (HLS)
```{r}
komp_2018_HLS <- data_ipm %>%
filter (Provinsi!='INDONESIA', Komponen =='HLS', Tahun == 2018) %>%
mutate (Kategori = if_else(Nilai >= 80, "Sangat Tinggi",
if_else(Nilai > 70, "Tinggi",
if_else (Nilai > 60, "Sedang", "Rendah"))))
plot_komp18_HLS <- komp_2018_HLS %>%
mutate (komp_2018_HLS, Wilayah = ifelse(Pulau %in% c(5,6,7,8,9), "Timur", "Barat")) %>%
ggplot(aes(Nilai, Komponen)) +
facet_wrap(~Wilayah) +
geom_density_ridges_gradient(
aes(fill = after_stat(x)),
show.legend = FALSE
)
plot_komp18_HLS +
geom_vline(xintercept = 13, linetype = "dashed", colour = "darkslategray4") +
scale_x_continuous(trans = "log10") +
scale_fill_viridis_c(option = "magma") +
labs(
x = "HLS",
y = NULL,
title = "Komponen HLS 2018 Berdasarkan Wilayah",
subtitle = "Berdasarkan data tahun 2018, garis vertikal menunjukan nilai HLS Nasional",
caption = "Data: Badan Pusat Statistik"
) +
theme(axis.title = element_blank(), strip.background = element_blank(), plot.title = element_text(hjust=0.5, size=12), plot.subtitle = element_text(size=8), panel.background = element_rect(fill = "white", colour = "white"))
```
### PENGELUARAN PERKAPITA (PPP)
```{r}
komp_2018_PPP <- data_ipm %>%
filter (Provinsi!='INDONESIA', Komponen =='PPP', Tahun == 2018) %>%
mutate (Kategori = if_else(Nilai >= 80, "Sangat Tinggi",
if_else(Nilai > 70, "Tinggi",
if_else (Nilai > 60, "Sedang", "Rendah"))))
plot_komp18_PPP <- komp_2018_PPP %>%
mutate (komp_2018_PPP, Wilayah = ifelse(Pulau %in% c(5,6,7,8,9), "Timur", "Barat")) %>%
ggplot(aes(Nilai, Komponen)) +
facet_wrap(~Wilayah) +
geom_density_ridges_gradient(
aes(fill = after_stat(x)),
show.legend = FALSE
)
plot_komp18_PPP +
geom_vline(xintercept = 11060, linetype = "dashed", colour = "darkslategray4") +
scale_x_continuous(trans = "log10") +
scale_fill_viridis_c(option = "magma") +
labs(
x = "PPP",
y = NULL,
title = "Komponen PPP 2018 Berdasarkan Wilayah",
subtitle = "Berdasarkan data tahun 2018, garis vertikal menunjukan nilai PPP Nasional",
caption = "Data: Badan Pusat Statistik"
) +
theme(axis.title = element_blank(), strip.background = element_blank(), plot.title = element_text(hjust=0.5, size=12), plot.subtitle = element_text(size=8), panel.background = element_rect(fill = "white", colour = "white"))
```
