Introduction-ggplot2

Package ggplot2 merupakan salah satu package untuk visualisasi yang sudah diakui oleh sebagian besar pengguna R sebagai package terbaik untuk pembuatan visualisasi statis. Tahap awal yang harus dilakukan untuk melakukan visualisasi adalah dengan mengaktifkan package, atau melakukan instalasi package jika Anda belum menginstall package.

install.packages('ggplot2')

library(ggplot2)

Tiga hal yang harus dimiliki untuk melakukan visualisasi menggunakan ggplot2.

1. Data

2. Fungsi ggplot() dan mendefinisikan aesthetic mapping (menentukan peubah yang akan digunakan)

3. Bentuk geometri pada package ggplot2 yang disingkat dengan geom

Salah satu data yang digunakan pada praktikum yaitu data house_price.

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

library(grid)
vp.layout <- function(x, y) viewport(layout.pos.row=x, layout.pos.col=y)
arrange <- function(..., nrow=NULL, ncol=NULL, as.table=FALSE) {
  dots <- list(...)
  n <- length(dots)
  if(is.null(nrow) & is.null(ncol)) { nrow = floor(n/2) ; ncol = ceiling(n/nrow)}
  if(is.null(nrow)) { nrow = ceiling(n/ncol)}
  if(is.null(ncol)) { ncol = ceiling(n/nrow)}
  ## NOTE see n2mfrow in grDevices for possible alternative
  grid.newpage()
  pushViewport(viewport(layout=grid.layout(nrow,ncol) ) )
  ii.p <- 1
  for(ii.row in seq(1, nrow)){
    ii.table.row <- ii.row
    if(as.table) {ii.table.row <- nrow - ii.table.row + 1}
    for(ii.col in seq(1, ncol)){
      ii.table <- ii.p
      if(ii.p > n) break
      print(dots[[ii.table]], vp=vp.layout(ii.table.row, ii.col))
      ii.p <- ii.p + 1
    }
  }
}

sketsa1 = ggplot(data= data_house)
sketsa2 = ggplot(data= data_house, aes(x= bedrooms, y = price))
arrange(sketsa1,sketsa2)

Hasil tampilan abu-abu polos grafik sebelah kiri diperoleh karena kita belum menentuka peubah yang akan digunakan. Sementara itu, grafik sebelah kanan adalah hasil saat kita telah mendefinisikan peubah yang akan digunakan.

Notes: fungsi arrange digunakan untuk mengatur layout. Fungsi tersebut dibuat oleh Stephen Turner.

Langkah selanjutnya adalah menentukan jenis visualisasi yang akan digunakan. Misalkan kita ingin membuat visualisasi menggunakan scatter plot, maka kita dapat menggunakan fungsi geom_point(). Pada ggplot, jika kita ingin menambahkan fungsi geom atau layer lainnya, kita cukup menggunakan tanda “+”. Sehingga, akan diperoleh hasil sebagai berikut.

grafik1 = ggplot(data= data_house, aes(x= bedrooms, y = price))+geom_point()
grafik2 = ggplot(data= data_house)+geom_point(aes(x= bedrooms, y = price))
arrange(grafik1,grafik2)

Untuk mempercantik tampilan grafik, kita dapat menambahkan opsi color didalam aes, baik pada ggplot ataupun geom_point(). Selanjutnya, opsi size dapat ditambahkan untuk mengatur ukuran titik. Selain itu, jika kita juga dapat menambahkan fungsi labs() untuk menambahkan judul dan mengubah judul pada sumbu x dan sumbu y. Fungsi theme_light() digunakan untuk mengubah tampilan visualisai. Berikut adalah hasilnya.

ggplot(data= data_house)+geom_point(aes(x= bedrooms, y = price,  color = as.character(condition)))+ labs(title = 'Scatter Plot Price vs Bedrooms', x = 'Bedrooms', y = 'Price', color = "Condition")+
  theme_light()

Beberapa fungsi geometri yang ada pada ggplot:

• geom_point(), plot tebaran

• geom_bar(), diagram batang dari data mentah individu

• geom_col(), diagram batang dari data agregate

• geom_histogram(), histogram

• geom_density, kurva kepekatan peluang

• geom_boxplot, diagram kotak garis

• geom_violin, diagram violin

• geom_line(), diagram garis

Berikut adalah beberapa fungsi yang dapat digunakan untuk modifikasi tampilan visualisasi dengan ggplot2

• theme(), mengatur tema sesuai yang diinginkan

• theme_light(), mengganti background menjadi warna putih

• element_text(), menambahkan text pada bagian tertentu

• scale_fill_manual(), mengubah warna bagian dalam geom secara manual

• scale_fill_gradient(), mengubah warna gradasi secara manual

Visualisasi Nilai Data

ggplot(data= data_house, aes(x = condition)) + geom_bar(stat = 'count',fill = 'skyblue') + labs(x = 'Kondisi Rumah', y = 'Jumlah Rumah', title = 'Jumlah Rumah di Setiap Kondisi')

data_price = aggregate(data_house$price, by = list(data_house$city), FUN = mean)
head(data_price)

##              Group.1        x
## 1             Algona 207288.0
## 2             Auburn 299340.4
## 3 Beaux Arts Village 745000.0
## 4           Bellevue 847180.7
## 5      Black Diamond 339605.6
## 6            Bothell 481441.9

ggplot(data= data_price, aes(x = reorder(Group.1, x), y = x))+ geom_point(color = "navyblue", size = 4, alpha = 0.6) + geom_segment(aes(x = reorder(Group.1, x),xend = reorder(Group.1, x), y = 0, yend = x))+labs(x = "City", y = "Price Average") +coord_flip() 

Visualisasi Sebaran Data

ggplot(data_house) +
  geom_histogram(aes(x = price),col="navyblue",binwidth = 5000) +
  ggtitle("Histogram Harga Rumah") +
  labs(x= "Price") + 
  theme(plot.title = element_text(hjust = 0.5)) + theme_light()

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following object is masked _by_ '.GlobalEnv':
## 
##     arrange

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

data_house%>%
  filter(city %in% c("Shoreline","Seattle"
                     ,"Auburn","Duvall","Burien",
                     "Tukwila","Vashon","Yarrow Point",
                     "SeaTac","Medina")
         )%>%
  ggplot() +
  geom_boxplot(aes(x = city,y = price,fill=city),show.legend = F) +
  ggtitle("Sebaran Harga Rumah Setiap Kota") +
  ylab("Price") +
  xlab("City") + 
  theme(plot.title = element_text(hjust = 0.5))+
  theme_light() + coord_flip()

library(ggridges)
data_house%>%
  filter(city %in% c("Shoreline","Seattle"
                     ,"Auburn","Duvall","Burien",
                     "Tukwila","Vashon","Yarrow Point",
                     "SeaTac","Medina")
         )%>%
  ggplot() +
  geom_density_ridges(aes(y = city,x = price,fill=city), show.legend = F) +
  ggtitle("Sebaran Harga Rumah Setiap Kota") +
  ylab("City") +
  xlab("Price") + 
  theme(plot.title = element_text(hjust = 0.5))+
  theme_bw()

## Picking joint bandwidth of 133000

Visualisasi Hubungan Antar Peubah Numerik

Pada subbab ini data yang akan digunakan adalah data mpg yang merupakan data bawaan dari R

data(mpg)
car_data = mpg
names(car_data)

##  [1] "manufacturer" "model"        "displ"        "year"         "cyl"         
##  [6] "trans"        "drv"          "cty"          "hwy"          "fl"          
## [11] "class"

ggplot(data= car_data)+geom_point(aes(x= displ, y = cty),  color = "navyblue", size  =4)+ labs(x = 'displ', y = 'cty')+ ggtitle("Scatter Plot Price vs Bedrooms")+
  theme_light()

ggplot(data= car_data)+geom_point(aes(x= displ, y = cty,color = fl ), size  =4)+ labs(x = 'displ', y = 'cty')+ ggtitle("Scatter Plot Price vs Bedrooms")+
  theme_light()

korelasi_car = GGally::ggcorr(car_data, method = c("everything","pearson"),geom = "tile")  + ggtitle("Korelasi Antar Peubah Numerik Data Mobil")

## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2

## Warning in GGally::ggcorr(car_data, method = c("everything", "pearson"), : data
## in column(s) 'manufacturer', 'model', 'trans', 'drv', 'fl', 'class' are not
## numeric and were ignored

korelasi_rumah = GGally::ggcorr(data_house, method = c("everything","pearson"),geom = "tile") + ggtitle("Korelasi Antar Peubah Numerik Data Rumah")

## Warning in GGally::ggcorr(data_house, method = c("everything", "pearson"), :
## data in column(s) 'date', 'street', 'city', 'statezip', 'country' are not
## numeric and were ignored

arrange(korelasi_car, korelasi_rumah)

Visualisasi Data Time Series

df1 <- data.frame(date = as.Date("2021-01-01") - 0:99,
                 sales = rnorm(100, 1100, 30), city = "Jakarta")

df2 <- data.frame(date = as.Date("2021-01-01") - 0:99,
                 sales = rnorm(100, 1000, 20), city= "Bogor")

head(df1)

##         date    sales    city
## 1 2021-01-01 1120.030 Jakarta
## 2 2020-12-31 1067.724 Jakarta
## 3 2020-12-30 1097.771 Jakarta
## 4 2020-12-29 1096.651 Jakarta
## 5 2020-12-28 1127.667 Jakarta
## 6 2020-12-27 1105.582 Jakarta

head(df2)

##         date     sales  city
## 1 2021-01-01 1023.5541 Bogor
## 2 2020-12-31 1041.3989 Bogor
## 3 2020-12-30  982.7239 Bogor
## 4 2020-12-29  988.7830 Bogor
## 5 2020-12-28 1005.8038 Bogor
## 6 2020-12-27  990.1469 Bogor

#Menampilkan time series plot df1
ggplot(df1, aes(x=date, y=sales)) +
       geom_line() + geom_point()

#Menampilkan time series plot df1 df2
data_gab = rbind(df1,df2)
ggplot(data_gab, aes(x=date, y=sales, color = city)) +
       geom_line() + geom_point()

References

• Sartono B, Hidayatulloh A. 2021. Visualisasi Data yang Efektif. (ID): IPB Press

• anonym . tanpa tahun .qplot: Quick plot with ggplot2 - R software and data visualization (8 Februari 2022). http://www.sthda.com/english/wiki/qplot-quick-plot-with-ggplot2-r-software-and-data-visualization

• Chang W. 2013. R Graphic Cookbook. California : O’Really Media. http://www.cookbook-r.com/

• de Vries A, Meys J. tanpa tahun. How to Get Geoms in ggplot in R (8 Februari 2022 ). https://www.dummies.com/programming/r/how-to-get-geoms-in-ggplot-in-r/

• Dito GA, Anisa R. 2020. Visualisasi Data dengan ggplot2. (18 Februari 2022).https://rpubs.com/gdito/viz-ggplot2

• Lilis D. tanpa tahun .R Graphics: Plotting in Color with qplot Part 2 (8 Februari 2022). https://www.theanalysisfactor.com/r-programming-plotting-color-part-2-qplot/

• RStudio . tanpa tahun . Data Visualization with ggplot2 Cheat Sheet (8 Februari 2022). https://rstudio.com/wp-content/uploads/2015/03/ggplot2-cheatsheet.pdf

• Turner S. 2010. Arrange multiple ggplot2 plots in the same image window (8 Februari 2022). https://gettinggeneticsdone.blogspot.com/2010/03/arrange-multiple-ggplot2-plots-in-same.html

• Wickham H, Danielle N, Pedersen TL. 2016. ggplot2: Elegant Graphics for Data Analysis. Texas: Springer. https://ggplot2-book.org/