Willibrordus Bayu 12/15/2021
This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
# Tampilkan data frame dari kolom " NAMA.KELURAHAN " dan "LUAS.WILAYAH..KM2."
penduduk.dki[c("NAMA.KELURAHAN", "LUAS.WILAYAH..KM2.")]## NAMA.KELURAHAN LUAS.WILAYAH..KM2.
## 1 P. PANGGANG 0.91
## 2 P. KELAPA 3.76
## 3 P. HARAPAN 3.59
## 4 P. UNTUNG JAWA 0.59
## 5 P. TIDUNG 1.57
## 6 P. PARI 1.39
## 7 GAMBIR 2.58
## 8 CIDENG 1.26
## 9 PETOJO UTARA 1.12
## 10 PETOJO SELATAN 1.14
## 11 KEBON KELAPA 0.78
## 12 DURI PULO 0.72
## 13 PASAR BARU 1.89
## 14 KARANG ANYAR 0.51
## 15 KARTINI 0.55
## 16 GUNUNG SAHARI UTARA 1.98
## 17 MANGGA DUA SELATAN 1.29
## 18 KEMAYORAN 0.55
## 19 KEBON KOSONG 1.13
## 20 HARAPAN MULIA 0.91
## 21 SERDANG 0.82
## 22 GUNUNG SAHARI SELATAN 0.53
## 23 CEMPAKA BARU 0.99
## 24 SUMUR BATU 1.15
## 25 UTAN PANJANG 1.05
## 26 SENEN 0.81
## 27 KENARI 0.91
## 28 PASEBAN 0.71
## 29 KRAMAT 0.71
## 30 KWITANG 0.45
## 31 BUNGUR 0.64
## 32 CEMPAKA PUTIH TIMUR 2.22
## 33 CEMPAKA PUTIH BARAT 1.22
## 34 RAWASARI 1.25
## 35 MENTENG 2.44
## 36 PEGANGSAAN 0.98
## 37 CIKINI 0.82
## 38 GONDANGDIA 1.46
## 39 KEBON SIRIH 0.83
## 40 GELORA 2.59
## 41 BENDUNGAN HILIR 1.58
## 42 KARET TENGSIN 1.53
## 43 PETAMBURAN 0.90
## 44 KEBON MELATI 1.26
## 45 KEBON KACANG 0.71
## 46 KAMPUNG BALI 0.73
## 47 JOHAR BARU 1.19
## 48 KAMPUNG RAWA 0.30
## 49 GALUR 0.27
## 50 TANAH TINGGI 0.62
## 51 PENJARINGAN 3.95
## 52 KAMAL MUARA 10.53
## 53 KAPUK MUARA 10.56
## 54 PEJAGALAN 3.23
## 55 PLUIT 7.71
## 56 TANJUNG PRIOK 5.59
## 57 SUNTER JAYA 4.68
## 58 PAPANGGO 2.80
## 59 SUNGAI BAMBU 2.36
## 60 KEBON BAWANG 1.73
## 61 SUNTER AGUNG 6.65
## 62 WARAKAS 1.09
## 63 KOJA 3.27
## 64 TUGU UTARA 2.37
## 65 LAGOA 1.58
## 66 RAWA BADAK UTARA 1.33
## 67 TUGU SELATAN 1.86
## 68 RAWA BADAK SELATAN 1.33
## 69 CILINCING 8.31
## 70 SUKAPURA 5.61
## 71 MARUNDA 7.92
## 72 KALI BARU 2.47
## 73 SEMPER TIMUR 3.17
## 74 ROROTAN 10.64
## 75 SEMPER BARAT 4.44
## 76 PADEMANGAN TIMUR 2.61
## 77 PADEMANGAN BARAT 3.53
## 78 ANCOL 5.77
## 79 KELAPA GADING TIMUR 5.31
## 80 PEGANGSAAN DUA 6.28
## 81 KELAPA GADING BARAT 4.53
## 82 CENGKARENG BARAT 4.26
## 83 DURI KOSAMBI 5.03
## 84 RAWA BUAYA 4.67
## 85 KEDAUNG KALI ANGKE 2.61
## 86 KAPUK 7.18
## 87 CENGKARENG TIMUR 4.18
## 88 GROGOL 1.22
## 89 TANJUNG DUREN UTARA 1.11
## 90 TOMANG 1.88
## 91 JELAMBAR 1.44
## 92 TANJUNG DUREN SELATAN 1.76
## 93 JELAMBAR BARU 1.44
## 94 WIJAYA KUSUMA 2.61
## 95 TAMAN SARI 0.68
## 96 KRUKUT 0.55
## 97 MAPHAR 0.59
## 98 TANGKI 0.37
## 99 MANGGA BESAR 0.51
## 100 KEAGUNGAN 0.32
## 101 GLODOK 0.38
## 102 PINANGSIA 0.96
## 103 TAMBORA 0.28
## 104 KALI ANYAR 0.32
## 105 DURI UTARA 0.40
## 106 TANAH SEREAL 0.62
## 107 KERENDANG 0.32
## 108 JEMBATAN BESI 0.55
## 109 ANGKE 0.80
## 110 JEMBATAN LIMA 0.46
## 111 PEKOJAN 0.78
## 112 ROA MALAKA 0.53
## 113 DURI SELATAN 0.42
## 114 KEBON JERUK 2.69
## 115 SUKABUMI UTARA 1.60
## 116 SUKABUMI SELATAN 1.57
## 117 KELAPA DUA 1.50
## 118 DURI KEPA 3.86
## 119 KEDOYA UTARA 3.14
## 120 KEDOYA SELATAN 2.28
## 121 KALIDERES 5.72
## 122 SEMANAN 5.98
## 123 TEGAL ALUR 4.00
## 124 KAMAL 4.49
## 125 PEGADUNGAN 8.89
## 126 PALMERAH 2.11
## 127 SLIPI 0.97
## 128 KOTA BAMBU UTARA 0.63
## 129 JATI PULO 0.87
## 130 KEMANGGISAN 2.33
## 131 KOTA BAMBU SELATAN 0.61
## 132 KEMBANGAN UTARA 3.65
## 133 MERUYA UTARA 4.76
## 134 MERUYA SELATAN 2.85
## 135 SRENGSENG 4.92
## 136 JOGLO 4.86
## 137 KEMBANGAN SELATAN 3.60
## 138 TEBET TIMUR 1.39
## 139 TEBET BARAT 1.72
## 140 MENTENG DALAM 2.58
## 141 KEBON BARU 1.30
## 142 BUKIT DURI 1.08
## 143 MANGGARAI SELATAN 0.51
## 144 MANGGARAI 0.95
## 145 SETIA BUDI 0.94
## 146 KARET SEMANGGI 0.90
## 147 KARET KUNINGAN 1.79
## 148 KARET 0.94
## 149 MENTENG ATAS 0.90
## 150 PASAR MANGGIS 0.78
## 151 GUNTUR 0.65
## 152 KUNINGAN TIMUR 2.15
## 153 MAMPANG PRAPATAN 0.78
## 154 BANGKA 3.30
## 155 PELA MAMPANG 1.62
## 156 TEGAL PARANG 1.06
## 157 KUNINGAN BARAT 0.98
## 158 PASAR MINGGU 2.79
## 159 JATI PADANG 2.50
## 160 CILANDAK TIMUR 3.53
## 161 RAGUNAN 5.05
## 162 PEJATEN TIMUR 2.88
## 163 PEJATEN BARAT 2.90
## 164 KEBAGUSAN 2.26
## 165 KEBAYORAN LAMA UTARA 1.78
## 166 PONDOK PINANG 6.84
## 167 CIPULIR 1.94
## 168 GROGOL UTARA 3.33
## 169 GROGOL SELATAN 2.85
## 170 KEBAYORAN LAMA SELATAN 2.57
## 171 CILANDAK BARAT 6.05
## 172 LEBAK BULUS 4.41
## 173 PONDOK LABU 3.61
## 174 GANDARIA SELATAN 1.76
## 175 CIPETE SELATAN 2.37
## 176 MELAWAI 1.26
## 177 GUNUNG 1.32
## 178 KRAMAT PELA 1.23
## 179 SELONG 1.40
## 180 RAWA BARAT 0.69
## 181 SENAYAN 1.53
## 182 PULO 1.27
## 183 PETOGOGAN 0.86
## 184 GANDARIA UTARA 1.52
## 185 CIPETE UTARA 1.83
## 186 PANCORAN 1.24
## 187 KALIBATA 2.20
## 188 RAWA JATI 0.67
## 189 DUREN TIGA 2.45
## 190 PENGADEGAN 0.95
## 191 CIKOKO 0.72
## 192 JAGAKARSA 4.85
## 193 SRENGSENG SAWAH 6.75
## 194 CIGANJUR 3.61
## 195 LENTENG AGUNG 2.28
## 196 TANJUNG BARAT 3.65
## 197 CIPEDAK 4.24
## 198 PESANGGRAHAN 2.10
## 199 BINTARO 4.56
## 200 PETUKANGAN UTARA 2.99
## 201 PETUKANGAN SELATAN 2.11
## 202 ULUJAMI 1.71
## 203 PISANGAN BARU 0.68
## 204 UTAN KAYU UTARA 1.05
## 205 KAYU MANIS 0.57
## 206 PAL MERIAM 0.65
## 207 KEBON MANGGIS 0.78
## 208 UTAN KAYU SELATAN 1.12
## 209 PULO GADUNG 1.29
## 210 PISANGAN TIMUR 1.80
## 211 CIPINANG 1.54
## 212 JATINEGARA KAUM 1.23
## 213 RAWAMANGUN 2.60
## 214 KAYU PUTIH 4.37
## 215 JATI 2.15
## 216 KAMPUNG MELAYU 0.48
## 217 BIDARA CINA 1.26
## 218 BALI MESTER 0.67
## 219 RAWA BUNGA 0.88
## 220 CIPINANG CEMPEDAK 1.67
## 221 CIPINANG MUARA 2.90
## 222 CIPINANG BESAR SELATAN 1.63
## 223 CIPINANG BESAR UTARA 1.15
## 224 KRAMAT JATI 1.52
## 225 KAMPUNG TENGAH 2.03
## 226 DUKUH 1.98
## 227 BATU AMPAR 2.55
## 228 BALE KAMBANG 1.67
## 229 CILILITAN 1.80
## 230 CAWANG 1.79
## 231 GEDONG 2.65
## 232 BARU 1.89
## 233 CIJANTUNG 2.37
## 234 KALISARI 2.89
## 235 PEKAYON 3.14
## 236 JATINEGARA 6.60
## 237 RAWA TERATE 4.10
## 238 PENGGILINGAN 4.48
## 239 CAKUNG TIMUR 9.81
## 240 PULO GEBANG 6.86
## 241 UJUNG MENTENG 4.43
## 242 CAKUNG BARAT 6.19
## 243 DUREN SAWIT 4.58
## 244 PONDOK BAMBU 5.00
## 245 KLENDER 3.08
## 246 PONDOK KELAPA 5.72
## 247 MALAKA SARI 1.38
## 248 MALAKA JAYA 0.99
## 249 PONDOK KOPI 2.06
## 250 MAKASAR 1.85
## 251 PINANG RANTI 1.89
## 252 KEBON PALA 2.30
## 253 HALIM PERDANA KUSUMAH 13.07
## 254 CIPINANG MELAYU 2.53
## 255 CIRACAS 3.93
## 256 CIBUBUR 4.50
## 257 KELAPA DUA WETAN 3.37
## 258 SUSUKAN 2.19
## 259 RAMBUTAN 2.09
## 260 CIPAYUNG 3.08
## 261 CILANGKAP 6.03
## 262 PONDOK RANGGON 3.66
## 263 MUNJUL 1.90
## 264 SETU 3.25
## 265 BAMBU APUS 3.17
## 266 LUBANG BUAYA 3.72
## 267 CEGER 3.63library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
# Masukkan data ke dalam plot dan simpan sebagai variable plot.dki, dan tampilkan summary dari plot tersebut
plot.dki <- ggplot(data = penduduk.dki)
summary(plot.dki)## data: TAHUN, NAMA.PROVINSI, NAMA.KABUPATEN.KOTA, NAMA.KECAMATAN,
## NAMA.KELURAHAN, LUAS.WILAYAH..KM2., KEPADATAN..JIWA.KM2., X, X.1,
## X.2, X.3, X.4, X.5, X.6, X.7, X.8, X.9, X.10, X.11, X35.39.Laki.Laki,
## X35.39.Perempuan, X40.44.Laki.Laki, X40.44.Perempuan,
## X45.49.Laki.Laki, X45.49.Perempuan, X50.54.Laki.Laki,
## X50.54.Perempuan, X55.59.Laki.Laki, X55.59.Perempuan,
## X60.64.Laki.Laki, X60.64.Perempuan, X65.69.Laki.Laki,
## X65.69.Perempuan, X70.74.Laki.Laki, X70.74.Perempuan, X.75.Laki.Laki,
## X.75..Perempuan [267x37]
## faceting: <ggproto object: Class FacetNull, Facet, gg>
## compute_layout: function
## draw_back: function
## draw_front: function
## draw_labels: function
## draw_panels: function
## finish_data: function
## init_scales: function
## map_data: function
## params: list
## setup_data: function
## setup_params: function
## shrink: TRUE
## train_scales: function
## vars: function
## super: <ggproto object: Class FacetNull, Facet, gg>library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
plot.dki <- ggplot(data = penduduk.dki, aes(x = LUAS.WILAYAH..KM2., y = KEPADATAN..JIWA.KM2., color = NAMA.KABUPATEN.KOTA))
summary(plot.dki)## data: TAHUN, NAMA.PROVINSI, NAMA.KABUPATEN.KOTA, NAMA.KECAMATAN,
## NAMA.KELURAHAN, LUAS.WILAYAH..KM2., KEPADATAN..JIWA.KM2., X, X.1,
## X.2, X.3, X.4, X.5, X.6, X.7, X.8, X.9, X.10, X.11, X35.39.Laki.Laki,
## X35.39.Perempuan, X40.44.Laki.Laki, X40.44.Perempuan,
## X45.49.Laki.Laki, X45.49.Perempuan, X50.54.Laki.Laki,
## X50.54.Perempuan, X55.59.Laki.Laki, X55.59.Perempuan,
## X60.64.Laki.Laki, X60.64.Perempuan, X65.69.Laki.Laki,
## X65.69.Perempuan, X70.74.Laki.Laki, X70.74.Perempuan, X.75.Laki.Laki,
## X.75..Perempuan [267x37]
## mapping: x = ~LUAS.WILAYAH..KM2., y = ~KEPADATAN..JIWA.KM2., colour = ~NAMA.KABUPATEN.KOTA
## faceting: <ggproto object: Class FacetNull, Facet, gg>
## compute_layout: function
## draw_back: function
## draw_front: function
## draw_labels: function
## draw_panels: function
## finish_data: function
## init_scales: function
## map_data: function
## params: list
## setup_data: function
## setup_params: function
## shrink: TRUE
## train_scales: function
## vars: function
## super: <ggproto object: Class FacetNull, Facet, gg>library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
plot.dki <- ggplot(data=penduduk.dki, aes(x = LUAS.WILAYAH..KM2., y=KEPADATAN..JIWA.KM2., color=NAMA.KABUPATEN.KOTA))
plot.dki
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
#Menambahkan data dan aesthetic mapping
plot.dki <- ggplot(data=penduduk.dki, aes(x = LUAS.WILAYAH..KM2., y=KEPADATAN..JIWA.KM2., color=NAMA.KABUPATEN.KOTA))
#Menambahkan layer untuk menghasilkan grafik scatter plot
plot.dki + layer(geom = "point", stat = "identity", position = "identity")
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
#Menambahkan data dan aesthetic mapping
plot.dki <- ggplot(data=penduduk.dki, aes(x = LUAS.WILAYAH..KM2., y=KEPADATAN..JIWA.KM2., color=NAMA.KABUPATEN.KOTA))
#Menambahkan layer scatter plot dengan geom_point
plot.dki + geom_point()
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
#Menambahkan data dan aesthetic mapping
plot.dki <- ggplot(data=penduduk.dki, aes(x = LUAS.WILAYAH..KM2., y=KEPADATAN..JIWA.KM2., color=NAMA.KABUPATEN.KOTA))
#Menambahkan Layer dan labels
plot.dki + geom_point() +
theme(plot.title = element_text(hjust=0.5)) +
labs(title = "Luas Wilayah vs Kepadatan Penduduk DKI Jakarta", x = "Luas wilayah (km2)", y = "Kepadatan Jiwa per km2", color = "Nama Kabupaten/Kota")
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
#Menambahkan data dan aesthetic mapping
plot.dki <- ggplot(data=penduduk.dki, aes(x = KEPADATAN..JIWA.KM2.))
plot.dki + geom_histogram(binwidth = 10000)
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
plot.dki <- ggplot(data=penduduk.dki, aes(x = KEPADATAN..JIWA.KM2., fill = NAMA.KABUPATEN.KOTA))
plot.dki + geom_histogram(binwidth = 10000)
#Membaca data csv dan dimasukkan ke variable inflasi.indo.sing
inflasi.indo.sing <- read.csv("https://storage.googleapis.com/dqlab-dataset/inflasi.csv", sep=",")
inflasi.indo.sing## Bulan Negara Inflasi
## 1 Jan-2017 Indonesia 0.0349
## 2 Feb-2017 Indonesia 0.0383
## 3 Mar-2017 Indonesia 0.0361
## 4 Apr-2017 Indonesia 0.0417
## 5 May-2017 Indonesia 0.0433
## 6 Jun-2017 Indonesia 0.0437
## 7 Jul-2017 Indonesia 0.0388
## 8 Aug-2017 Indonesia 0.0382
## 9 Sep-2017 Indonesia 0.0372
## 10 Oct-2017 Indonesia 0.0358
## 11 Jan-2017 Singapura 0.0250
## 12 Feb-2017 Singapura 0.0270
## 13 Mar-2017 Singapura 0.0240
## 14 Apr-2017 Singapura 0.0220
## 15 May-2017 Singapura 0.0190
## 16 Jun-2017 Singapura 0.0160
## 17 Jul-2017 Singapura 0.0170
## 18 Aug-2017 Singapura 0.0190
## 19 Sep-2017 Singapura 0.0220
## 20 Oct-2017 Singapura 0.0200library(ggplot2)
#Membaca data csv dan dimasukkan ke variable inflasi.indo.sing
inflasi.indo.sing <- read.csv("https://storage.googleapis.com/dqlab-dataset/inflasi.csv", sep=",")
#Menambahkan data dan aesthetic mapping
plot.inflasi <- ggplot(data=inflasi.indo.sing, aes(x = Bulan, y=Inflasi, color=Negara))
#Menambahkan layer
plot.inflasi + geom_line()## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable inflasi.indo.sing
inflasi.indo.sing <- read.csv("https://storage.googleapis.com/dqlab-dataset/inflasi.csv", sep=",")
#Menambahkan data dan aesthetic mapping
plot.inflasi <- ggplot(data=inflasi.indo.sing, aes(x = Bulan, y=Inflasi, color=Negara, group = Negara))
#Menambahkan Layer
plot.inflasi + geom_line()
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable inflasi.indo.sing
inflasi.indo.sing <- read.csv("https://storage.googleapis.com/dqlab-dataset/inflasi.csv", sep=",")
inflasi.indo.sing$Bulan = factor(inflasi.indo.sing$Bulan, levels = c("Jan-2017", "Feb-2017", "Mar-2017", "Apr-2017", "May-2017", "Jun-2017", "Jul-2017", "Aug-2017", "Sep-2017", "Oct-2017"))
str(inflasi.indo.sing)## 'data.frame': 20 obs. of 3 variables:
## $ Bulan : Factor w/ 10 levels "Jan-2017","Feb-2017",..: 1 2 3 4 5 6 7 8 9 10 ...
## $ Negara : chr "Indonesia" "Indonesia" "Indonesia" "Indonesia" ...
## $ Inflasi: num 0.0349 0.0383 0.0361 0.0417 0.0433 0.0437 0.0388 0.0382 0.0372 0.0358 ...library(ggplot2)
#Membaca data csv dan dimasukkan ke variable inflasi.indo.sing
inflasi.indo.sing <- read.csv("https://storage.googleapis.com/dqlab-dataset/inflasi.csv", sep=",")
inflasi.indo.sing$Bulan = factor(inflasi.indo.sing$Bulan,
levels = c("Jan-2017", "Feb-2017", "Mar-2017", "Apr-2017", "May-2017", "Jun-2017", "Jul-2017", "Aug-2017", "Sep-2017", "Oct-2017"))
#Menambahkan data dan aesthetic mapping
plot.inflasi <- ggplot(data=inflasi.indo.sing, aes(x = Bulan, y=Inflasi, color=Negara, group=Negara))
#Menambahkan Layer dan labels
plot.inflasi + geom_line() + geom_text(aes(label=Inflasi),hjust=-0.2, vjust=-0.5)
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/datakependudukandki-dqlab.csv", sep=",")
plot.dki <- ggplot(data = penduduk.dki, aes(x = NAMA.KABUPATEN.KOTA))
plot.dki + geom_bar()
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/datakependudukandki-dqlab.csv", sep=",")
#Menghasilkan bar chart
#Membuat plot
plot.dki <- ggplot(data=penduduk.dki, aes(x = NAMA.KABUPATEN.KOTA, y=JUMLAH))
#Menambahkan layer pada plot
plot.dki + geom_bar( stat="identity")
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/datakependudukandki-dqlab.csv", sep=",")
#Bagian plot
plot.dki <- ggplot(data=penduduk.dki, aes(x = NAMA.KABUPATEN.KOTA, y=JUMLAH, fill = JENIS.KELAMIN))
#Bagian penambahan layer
plot.dki + geom_bar(stat="identity", position = "dodge")
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/datakependudukandki-dqlab.csv", sep=",")
#Melakukan agregasi
aggregate(x=list(JUMLAH=penduduk.dki$JUMLAH), FUN=sum, by = list(NAMA.KABUPATEN.KOTA=penduduk.dki$NAMA.KABUPATEN.KOTA, JENIS.KELAMIN=penduduk.dki$JENIS.KELAMIN))## NAMA.KABUPATEN.KOTA JENIS.KELAMIN JUMLAH
## 1 JAKARTA BARAT Laki-laki 1177351
## 2 JAKARTA PUSAT Laki-laki 270490
## 3 JAKARTA SELATAN Laki-laki 445152
## 4 JAKARTA TIMUR Laki-laki 578471
## 5 JAKARTA UTARA Laki-laki 861274
## 6 KAB.ADM.KEP.SERIBU Laki-laki 4258
## 7 JAKARTA BARAT Perempuan 1138830
## 8 JAKARTA PUSAT Perempuan 229566
## 9 JAKARTA SELATAN Perempuan 432985
## 10 JAKARTA TIMUR Perempuan 557976
## 11 JAKARTA UTARA Perempuan 834349
## 12 KAB.ADM.KEP.SERIBU Perempuan 4050library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/datakependudukandki-dqlab.csv", sep=",")
#Melakukan agregasi
p <- aggregate(x=list(JUMLAH=penduduk.dki$JUMLAH), FUN=sum, by = list(NAMA.KABUPATEN.KOTA=penduduk.dki$NAMA.KABUPATEN.KOTA, JENIS.KELAMIN=penduduk.dki$JENIS.KELAMIN))
#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 2013", 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
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/datakependudukandki-dqlab.csv", sep=",")
#Melakukan agregasi
p <- aggregate(x=list(JUMLAH=penduduk.dki$JUMLAH), FUN=sum, by = list(NAMA.KABUPATEN.KOTA=penduduk.dki$NAMA.KABUPATEN.KOTA))
#Plot grafik 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
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
#Menambahkan data dan aesthetic mapping
plot.dki <- ggplot(data=penduduk.dki, aes(x = LUAS.WILAYAH..KM2., y=KEPADATAN..JIWA.KM2., color=NAMA.KABUPATEN.KOTA))
#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)
library(ggplot2)
#Membaca data csv dan dimasukkan ke variable penduduk.dki
penduduk.dki <- read.csv("https://storage.googleapis.com/dqlab-dataset/dkikepadatankelurahan2013.csv", sep=",")
#Menambahkan data dan aesthetic mapping
plot.dki <- ggplot(data=penduduk.dki, aes(x=KEPADATAN..JIWA.KM2., fill=NAMA.KABUPATEN.KOTA))
#Menambahkan layer
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)