INDO DAPOER x PODES 2018 Provinsi Bali
library(heatmaply) #Untuk plot heatmap Missing Data
library(visdat) #Untuk plot Missing Data
library(reshape2) #Modifikasi DataFrame
library(tidyr) #Modifikasi DataFrame
library(ggplot2) #Plot
library(psych) #Pair Plot
library(DataExplorer) #Corelation Plot
library(graphics)
library(readxl)
library(ggpubr)
library(RColorBrewer)
library(PerformanceAnalytics)
library(tidyverse)
library(hrbrthemes)
library(viridis)
library(gridExtra)
library(ggrepel)
library(plotly)
library(dplyr)
library(foreign)
library(treemap)
library(data.table)##
## Attaching package: 'data.table'## The following objects are masked from 'package:dplyr':
##
## between, first, last## The following object is masked from 'package:purrr':
##
## transpose## The following objects are masked from 'package:xts':
##
## first, last## The following objects are masked from 'package:reshape2':
##
## dcast, melt1. Data PODES Prov. Bali 2018
data1 <- read.dbf("podes2018_desa_part1.dbf")
data2 <- read.dbf("podes2018_desa_part2.dbf")
data3 <- read.dbf("podes2018_desa_part3.dbf")
data4 <- read.dbf("podes2018_desa_part4.dbf")
data2 <- data2[,-c(1:8)]
data3 <- data3[,-c(1:8)]
data4 <- data4[,-c(1:8)]
data <- cbind(data1, data2, data3, data4)
data <- dplyr::filter(data, R101 =="51")data_b <- data1[,c(1:8)]
data <- dplyr::select(data, R305B, R1306A, R1306C1, R1305, R1307,R1303A01K3,R1303A01K4, R1303A02K3, R1303A02K4, R1303A03K3, R1303A03K4, R1303A04K3, R1303A04K4,R1303A05K3, R1303A05K4, R1303A06K3, R1303A06K4, R1303A07K3, R1303A07K4 ,R1303A08K3 ,R1303A08K4 ,R1303A09K3 ,R1303A09K4 ,R1303A10K3 ,R1303A10K4 ,R1303A11K3 ,R1303A11K4, R403A, R1208AK2,R1208BK2,R1208CK2, R1208AK3, R1208BK3, R1208CK3, R1201A, R1201B, R1201C, R1201D, R1201E, R1201F, R1201G, R1201H, R1204A ,R1205A1 ,R1205A2 ,R1205A3, R1202A, R1202B, R1202C, R1207A, R1207B, R1207C, R1207D, R301, R403A)
#data1 <- namatabel %>% select()data_b <- dplyr::filter(data_b, R101 =="51")
data <- cbind(data_b, data)
data_pil <- dplyr::select(data, R305B, R1306A, R1306C1, R1305, R1307,R1303A01K3,R1303A01K4, R1303A02K3, R1303A02K4, R1303A03K3, R1303A03K4, R1303A04K3, R1303A04K4,R1303A05K3, R1303A05K4, R1303A06K3, R1303A06K4, R1303A07K3, R1303A07K4 ,R1303A08K3 ,R1303A08K4 ,R1303A09K3 ,R1303A09K4 ,R1303A11K3 ,R1303A11K4, R403A, R1208AK2,R1208BK2,R1208CK2, R1208AK3, R1208BK3, R1208CK3, R1201A, R1201B, R1201C, R1201D, R1201E, R1201F, R1201G, R1201H, R1204A ,R1205A1 ,R1205A2 ,R1205A3, R1202A, R1202B, R1202C, R1207A, R1207B, R1207C, R1207D, R301, R403A)
head(data)## R101 R101N R102 R102N R103 R103N R104 R104N R305B R1306A R1306C1
## 1 51 BALI 01 JEMBRANA 010 MELAYA 001 GILIMANUK 3 1 0.0
## 2 51 BALI 01 JEMBRANA 010 MELAYA 002 MELAYA 3 1 0.0
## 3 51 BALI 01 JEMBRANA 010 MELAYA 003 CANDIKUSUMA 3 1 0.0
## 4 51 BALI 01 JEMBRANA 010 MELAYA 004 TUWED 3 2 0.1
## 5 51 BALI 01 JEMBRANA 010 MELAYA 005 TUKADAYA 3 2 2.5
## 6 51 BALI 01 JEMBRANA 010 MELAYA 006 MANISTUTU 3 2 10.0
## R1305 R1307 R1303A01K3 R1303A01K4 R1303A02K3 R1303A02K4 R1303A03K3 R1303A03K4
## 1 30 0 2 0 2 0 1 1
## 2 41 0 2 0 1 2 2 0
## 3 30 0 2 0 2 0 2 0
## 4 30 0 2 0 2 0 2 0
## 5 30 0 1 1 2 0 2 0
## 6 34 2 2 0 2 0 2 0
## R1303A04K3 R1303A04K4 R1303A05K3 R1303A05K4 R1303A06K3 R1303A06K4 R1303A07K3
## 1 1 1 2 0 2 0 1
## 2 2 0 2 0 2 0 2
## 3 2 0 2 0 2 0 2
## 4 2 0 2 0 2 0 2
## 5 2 0 2 0 2 0 2
## 6 2 0 2 0 2 0 2
## R1303A07K4 R1303A08K3 R1303A08K4 R1303A09K3 R1303A09K4 R1303A10K3 R1303A10K4
## 1 1 1 1 2 0 2 0
## 2 0 2 0 2 0 2 0
## 3 0 2 0 2 0 2 0
## 4 0 2 0 2 0 2 0
## 5 0 2 0 2 0 2 0
## 6 0 2 0 2 0 2 0
## R1303A11K3 R1303A11K4 R403A R1208AK2 R1208BK2 R1208CK2 R1208AK3 R1208BK3
## 1 2 0 4 2 2 1 0.0 0.0
## 2 2 0 4 2 0 2 0.0 20.0
## 3 2 0 1 0 0 1 2.2 2.2
## 4 2 0 1 0 0 1 5.2 5.1
## 5 2 0 1 0 0 1 5.0 15.0
## 6 2 0 1 0 0 0 6.0 12.2
## R1208CK3 R1201A R1201B R1201C R1201D R1201E R1201F R1201G R1201H R1204A
## 1 0.0 0 2 1 5 0 2 25 4 0
## 2 0.0 0 11 1 6 8 4 23 7 0
## 3 0.0 0 5 1 1 1 20 10 1 0
## 4 0.0 0 5 1 5 31 35 6 5 1
## 5 0.0 0 8 1 6 12 2 0 4 0
## 6 12.6 0 4 1 2 1 5 3 6 0
## R1205A1 R1205A2 R1205A3 R1202A R1202B R1202C R1207A R1207B R1207C R1207D R301
## 1 0 3 1 0 0 0 1 4 5 8 2
## 2 0 2 1 0 0 0 1 4 5 7 1
## 3 0 0 1 0 0 0 1 3 5 7 1
## 4 0 0 1 0 0 0 1 4 6 7 1
## 5 0 0 1 0 0 0 1 4 5 7 1
## 6 0 1 0 0 0 0 1 4 6 7 1- Jumlah Desa dan Kelurahan Menurut Kabupaten/Kota di Provinsi Bali
Â
- Jumlah Desa/Kelurahan Menurut Tipografi di Provinsi Bali (R305B)
Â
- Perbandingan Jumlah Desa/Kelurahan yang Memiliki Pos Polisi Menurut
Kabupaten/Kota di Provinsi Bali (R1306A) Â
- Sebaran Desa/Kelurahan yang Tidak Memiliki Pos Polisi Menurut Jarak
ke Pos Polisi Terdekat (R1306C1)Â
- Sebaran Desa/Kelurahan Menurut Jumlah Anggota Linmas (R1305)Â
- Jumlah Korban Bunuh Diri/Percobaan Bunuh Diri (2017-2018)
(R1307)Â
- Tindak Kejahatan yang Terjadi di Desa/Kelurahan Menurut Kab/Kota dan Jenis Kejahatan 2017-2018 & Jumlah Desa Berdasarkan Jenis kejahatan dan Perubahan Terhadap Tahun Sebelumnya
- pencurian R1303A01K3 R1303A01K4
- pencurian dengan kekerasan R1303A02K3 R1303A02K4
- penipuan R1303A03K3 R1303A03K4Â
- penganiayaan R1303A04K3 R1303A04K4Â
- pembakaran R1303A05K3 R1303A05K4Â
- pemerkosaan R1303A06K3 R1303A06K4Â
- narkoba R1303A07K3 R1303A07K4Â
- judi R1303A08K3 R1303A08K4Â
- pembunuhan R1303A09K3 R1303A09K4Â
- perdagangan R1303A10K3 R1303A10K4
- korupsi R1303A11K3 R1303A11K4
- Sumber Penghasilan Utama Sebagain Besar Penduduk Desa (R403A)
Â
- Sebaran Desa/Kelurahan Menurut Jumlah Bank
(R1208AK2,R1208BK2,R1208CK2) Â
- Sebaran Desa/Kelurahan yang tidak Terdapat Bank Menurut Jarak Menuju
Bank Terdekat (R1208AK3, R1208BK3, R1208CK3) Â
- Sebaran Desa/Kelurahan Menurut Jumlah Unit Usaha Mikro yang Dimiliki
(R1201A, R1201B, R1201C, R1201D, R1201E, R1201F, R1201G, R1201H) Â
- Jumlah Koperasi Menurut Jenis Koperasi Berdasarkan Kabupaten/Kota
(R1204A ,R1205A1 ,R1205A2 ,R1205A3) Â
- Jumlah Desa yang Memiliki Sentra Industri, Lingkungan Industri Kecil
(LIK) dan Perkampungan Industri Kecil (PIK) (R1202A, R1202B, R1202C)
Â
- Jumlah Desa yang Memiliki Koperasi Unit Desa (KUD) Â
- Komposisi Jumlah Desa/Kelurahan Menurut Ada Tidaknya Fasilitas
Kredit yang Diterima Warga Dalam 1 Tahun Terakhir (2017-2018) (R1207A,
R1207B, R1207C, R1207D)Â
2. Data INDO DAPOER
- EMP - Number of people employed
- UEM - Number of people unemployed
- POV - Number of people live below the poverty line (in number of people)
- OSRV - Total Own Source Revenue/PAD
data_id <- read_excel("data_podes.xlsx")
head(data_id)## # A tibble: 6 x 10
## Provinces_Name Provinces_Code Time Time_Code EMP UEM POP POV POVR
## <chr> <chr> <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Badung, Kab. ID.BA.BD 2018 YR2018 357451 1590 656921 12970 1.98
## 2 Bangli, Kab. ID.BA.BN 2018 YR2018 146608 1175 226161 11050 4.89
## 3 Buleleng, Kab. ID.BA.BL 2018 YR2018 371368 6945 657180 35200 5.36
## 4 Denpasar, Kota ID.BA.DE 2018 YR2018 516642 9935 930619 20720 2.24
## 5 Gianyar, Kab. ID.BA.GI 2018 YR2018 306437 4978 508108 21260 4.19
## 6 Jembrana, Kab. ID.BA.JE 2018 YR2018 161024 2247 276588 14350 5.2
## # ... with 1 more variable: OSRV <dbl>3. Usaha Mikro Prov. Bali
data$unit_ind_mikro <- data$R1201A + data$R1201B + data$R1201C + data$R1201D + data$R1201E + data$R1201F + data$R1201G + data$R1201Hggplot(data, aes(x=unit_ind_mikro, y=R102N)) +
geom_boxplot(fill="brown") +
labs(title = "Jumlah usaha mikro di Bali",
y = "Jumlah usaha mikro",
x = "Kabupaten/Kota") 
Secara umum, Sebagian besar desa/kelurahan memiliki jumlah unit usaha mikro antara 0 hingga 200 unit. Di beberapa Kab/Kota terdapat desa/kelurahan yang memiliki unit usaha mikro lebih dari 400 (seperti di Gianyar dan Karang Asem).
4. Sumber Penghasilan Utama Prov. Bali
data_sum <- read_excel("sumber_peng.xlsx")
ggplot(data_sum, aes(fill=Sumber, y=Value, x=City)) +
geom_bar(position="fill", stat="identity") + coord_flip()
Selain Kota Denpasar dan Kab. Badung, 60% - 90% Desa/Kelurahan Merupakan
Desa Pertanian, dimana mayoritas penduduknya bekerja di sektor
Pertanian. Kabupaten Badung, sebagai wilayah penyangga Denpasar serta
tempat berlokasinya Kawasan Kuta sekitar 40% Desa/Kelurahan bergantung
pada sektor Jasa serta Perdagangan dan Restoran. Seluruh Desa/Kelurahan
di Kota Denpasar memiliki mata pencaharian utama dari sektor Jasa (70%)
atau Perdagangan dan Restoran (30%)
5. Perbandingan Pos Polisi Menurut Kabupaten/Kota di Provinsi Bali
pos <- data %>% group_by(R102,R102N,R1306A) %>% summarise(R104 = n())## `summarise()` has grouped output by 'R102', 'R102N'. You can override using the
## `.groups` argument.pos$Keberadaan <- ifelse(pos$R1306A == "1","Ada","Tidak Ada")
ggplot(pos, aes(x=R102N, y=R104, fill= Keberadaan)) +
geom_bar(position="fill", stat="identity") + coord_flip()
Sebagian Besar wilayah Desa/Kelurahan di Provinsi Bali tidak memiliki pos polisi atau kantor polisi. Hanya sekitar setengah wilayah di Kota Denpasar yang memiliki pos polisi/kantor polisi. Hanya sekitar 11 persen Desa/Kelurahan di Kabupaten Tabanan dan Buleleng yang memiliki pos polisi/kantor polisi.
6. Tindak Kejahatan yang Terjadi di Provinsi Bali
data_jahat <- read_excel("kejahat.xlsx")
ggplot(data_jahat, aes(fill=Kejahatan, y=Value, x=City)) +
geom_bar(position="fill", stat="identity") + coord_flip()
Terlihat pada barplot yang ditampilkan, pada setiap kota/kabupaten pada
provinsi Bali tindakan pencurian merupakan tindakan kejahatan yang
sering terjadi.
7. Jumlah Penduduk yang Hidup di Bawah Garis Kemiskinan di Prov. Bali
treemap(data_id,
index="Provinces_Name",
vSize="POV",
type="index",
title = "Kemiskinan di Provinsi Bali"
)
Kabupaten Buleleng memiliki tingkat kemiskinan yang paling tinggi di
Provinsi Bali. Sedangkan Kabupaten Klungkung memiliki tingkat kemiskinan
yang paling rendah di Provinsi Bali.
8. Jumlah Pekerja di Provinsi Bali
work <- read_excel("work.xlsx")
ggplot(work, aes(x=City, y=Value, fill= Pekerjaan)) +
geom_bar(position="fill", stat="identity") + coord_flip()
Dari boxplot, terlihat bahwa Kota Denpasar yang merupakan ibu kota provinsi Bali mempunyai jumlah pengangguran yang paling banyak dan disusul oleh Kabupaten Buleleng. BPS (Badan Pusat Statistika) melaporkan TPT (Tingkat Pengangguran Terbuka) hingga per Agustus 2021 Kota Denpasar tetap memiliki jumlah pengangguran paling tinggi di provinsi Bali dengan presentase mencapai 7,02%. Dari eksplorasi sebelumnya, Buleleng memiliki tingat kemiskinan yang paling tinggi di Provinsi Bali dengan didukung bahwa jumlah pengangguran di Provinsi Bali memiliki presentase yang cukup besar.
9. Pendapatan pada Provinsi Bali
data_id$pendapatan <- data_id$OSRV/(10^11)
ggplot(data_id, aes(x=Provinces_Name, xend=Provinces_Name, y=pendapatan, yend=0)) +
geom_segment() + geom_point( color="brown", size=4) + coord_flip()
Pendapatan pada Kabupaten Badung mempunyai nilai yang lebih unggul
daripada kabupaten/kota lainnya di provinsi Bali. Mengingat sebelumnya,
bahwa Kabupaten Badung memiliki presentase EMP yang tinggi sedangkan
presentase UEM nya rendah. Pada data Podes juga diperlihatkan bahwa
sumber penghasilan Kabupaten Badung tidak berfokus pada pertanian,
melainkan juga berfokus pada sektor lainnya seperti Jasa.
10. Korelasi Jumlah Kemiskinan dan Jumlah Pencurian di Provinsi Bali
data_crim <- data_jahat[1:9,]
data_mix <- cbind(data_crim$Value, data_id$POV)
data_mix <- as.data.frame(data_mix)
colnames(data_mix) <- c("Kriminal","Kemiskinan")
ggplot(data_mix, aes(x=Kemiskinan, y=Kriminal)) + geom_point(shape=18, color="purple") + geom_smooth(method=lm, se=FALSE, linetype="dashed",
color="green")## `geom_smooth()` using formula 'y ~ x'
Terlihat bahwa semakin tinggi kemiskinan maka tingkat kriminalitas yaitu pencurian semakin meningkat. Hal ini mungkin dapat terjadi ketika seseorang sangat memenuhi kebutuhan hidup sehingga terdesak untuk melakukan kriminalitas. Korelasi antar dua variabel ini tergolong tinggi yaitu sebesar 0.8061389.
11. Korelasi Jumlah Pengangguran terhadap Jumlah Pencurian di Provinsi Bali
data_mix2 <- cbind(data_crim$Value, data_id$UEM)
data_mix2 <- as.data.frame(data_mix2)
colnames(data_mix2) <- c("Kriminal","Pengangguran")
ggplot(data_mix2, aes(x=Pengangguran, y=Kriminal)) + geom_point(shape=18, color="purple") + geom_smooth(method=lm, se=FALSE, linetype="dashed",
color="green")## `geom_smooth()` using formula 'y ~ x'
Terlihat bahwa semakin tinggi jumlah pengangguran maka tingkat
kriminalitas yaitu pencurian semakin meningkat. Hal ini mungkin dapat
terjadi ketika seseorang tidak mempunyai pemasukan sehingga terdesak
untuk melakukan pencurian. Korelasi antar dua variabel ini tergolong
rendah yaitu sebesar 0.4601416.