Langsung ke konten utama

Visualisasi Data dengan Peta sebagai Pendukung Analisis Spasial (Spatial Analysis)

Visualisasi data dengan peta spasial Analisis spasial atau berbasis kewilayahan akhir-akhir ini semakin banyak diminati. Selain mempunyai daya tarik karena enak dipandang mata, visualisasi spasial dengan peta ini juga dinilai meningkatkan kecepatan pemahaman pengguna informasi yang disajikan. Bila data yang kita miliki memiliki variabel lokasi atau kontur, visualisasi spasial bisa jadi menjadi pilihan tepat. Dengan berbekal peta berekstensi *shp dan sebuah data lokasi atau kontur, visualisasi spasial dapat diterapkan secara mudah. Namun kenyataannya, tidak mudah bagi kita untuk melakukan visualisasi data secara spasial. Beberapa data yang diperlukan adalah garis lintang dan bujur, juga data yang akan divisualkan. Misalkan data Angka Kematian Bayi (AKB). Sebelum praktikum, ada baiknya kita pahami dulu apa itu AKB. Menurut Badan Pusat Statistik (BPS), Angka Kematian Bayi adalah banyaknya bayi yang meninggal sebelum mencapai umur 1 tahun pada waktu tertentu per 1.000 kelahiran hidup pada
Posting Komentar

Animasi Grafik Garis (Line Chart Animation) dengan Package gganimate di R

Membuat Animasi Grafik Garis dengan R

Sebagaimana yang telah saya katakan sebelumnya, bahwa bahasan dalam blog ini akan semakin kompleks dan komprehensif. Kalau kemarin kita hanya belajar bagaimana dasar-dasar visualisasi data yang sifatnya masih statis, sekarang kita coba berkembang ke bagaimana membuat visualisasi data yang sifatnya dinamis atau biasa diistilahkan animasi.

Belakang animasi data ini lebih diminati lantaran visualnya lebih menarik dan mengalihkan pandangan masyarakat atau secara spesifik pengguna data. Kali ini kita akan coba mempraktikan bagaimana cara mengcustome grafik garis (line chart) dengan menggunakan bantuan package yang bernama gganimate. Package ini baru saja saya kenal tahun lalu dan telah saya pelajari bagaimana tatacara menyusunnya. Dari pengalaman saya, package ini dapat berfungsi dengan baik bila kita menggunakan dan menginstallnya di R lokal, sedangkan ketika package ini digunakan dalam R Studio cloud misalnya itu justru tidak berfungsi dengan baik karena mungkin untuk merender setiap visual data yang ditugaskan oleh package gganimate ini butuh memori lokal atau sebuah ruang penyimpanan lokal.

Baik, sebelum kita mempraktikannya, sebagaimana adat istiadat dalam blog ini, kita perlu mengunduh data praktiknya terlebih dahulu. Data yang akan kita gunakan kali ini adalah data historis pendaftaran Sekolah Tinggi Kedinasan yang diselenggarakan oleh Badan Kepegawaian Negara (BKN) tahun 2021, Sekolah Tinggi Kedinasan ini terdiri atas beberapa perguruan tinggi yang berstatus Ikatan Dinas, di antaranya Polstat STIS, PKN STAN, STMKG, STIN, IPDN, dan lainnya. Untuk datanya silakan unduh di sini. Setelah datanya telah diunduh, kita praktikkan dengan menggunakan code sederahan berikut:

Code:

#Import data Kedin
library(readxl)
Kedin <- read_excel("E:/R/Kedin.xlsx")

#Melihat Struktur data Kedinasan
str(Kedin)
names(Kedin)

Hasil:

tibble [140 x 5] (S3: tbl_df/tbl/data.frame)
 $ Tgl      : POSIXct[1:140], format: "2021-04-12" "2021-04-13" "2021-04-14" ...
 $ Kedinasan: chr [1:140] "Polstat STIS" "Polstat STIS" "Polstat STIS" "Polstat STIS" ...
 $ Pendaftar: num [1:140] 1162 1577 2104 2708 3871 ...
 $ Kuota    : num [1:140] 600 600 600 600 600 600 600 600 600 600 ...
 $ Size     : num [1:140] 2400 2400 2400 2400 2400 2400 2400 2400 2400 2400 ...

[1] "Tgl"       "Kedinasan" "Pendaftar" "Kuota"     "Size"

Code:

#Mengubah Tgl menjadi Date, Kedinasan menjadi character, dan Pendaftar menjadi numeric
Kedin$Tgl <- as.Date(Kedin$Tgl)
Kedin$Kedinasan <- as.character(Kedin$Kedinasan)
Kedin$Pendaftar <- as.numeric(Kedin$Pendaftar)

#Install dan aktifkan package gganimate
install.packages("gganimate")
library(gganimate)

#Plot data Kedin dengan pipeline
p <- Kedin %>%
  ggplot(mapping = aes(x = Tgl, y = Pendaftar, grup = Kedinasan, color = Kedinasan)) +
  geom_line() +
  geom_point(stroke = 1, size = 3) +
  labs(x = "Tanggal Pendaftaran", y = "Jumlah Pendaftar") +
  geom_text(aes(label = Kedinasan), hjust = 0) +
  transition_reveal(Kedin$Tgl) +
  coord_cartesian() +
  theme(legend.position = "bottom")+
  theme_minimal()

Hasil:

Visualisasi animasi grafik garis dengan R

Oke, kita telah mempraktikan bagaimana cara membuat grafik garis animasi dengan R. Jangan lupa share, komentar di kolom yang tersedia jika ada pertanyaan atau kurang jelas, dan yang pasti jangan lupa ikuti terus unggahan blog ini. Terima kasih.

Label:

Komentar

Posting Komentar

Postingan populer dari blog ini

Pemodelan Autoregressive Integrated Moving Average (ARIMA Model) dengan R

ARIMA dengan R Jumpa lagi teman-teman, sebelumnya saya mohon maaf karena kemarin tidak sempat membuat unggahan terbaru di blog ini. Baik, sebelumnya kita telah mengulas tentang pemodelan Geographically Weigthed Regression (GWR) dengan R. Kali ini, kita akan melanjutkan belajar bersama mengenai pemodelan yang tak asing lagi dan populer hingga kini, yaitu pemodelan Autoregressive Integrated Moving Average (ARIMA). Kita akan membahas ARIMA secara langsung tanpa membahas AR dan MA secara tersendiri mengingat pada dasarnya ARIMA adalah model perpaduan antara model AR dengan order p , MA dengan order q dan aspek differencing dengan order d . Artinya, ketika kita mendengar istilah AR(1), maka sebenarnya itu adalah ARIMA(1, 0, 0), ketika kita mendengar ARI(1,1), maka aslinya itu ARIMA(1, 1, 0), atau bila mendengar MA(3), itu sebenarnya ARIMA(0, 0, 3) atau IMA(2,1) sebenarnya adalah ARIMA(0, 2, 1). Data runtun waktu atau time series merupakan salah satu jenis data yang hingga kini banyak digun
Posting Komentar
Baca selengkapnya

Machine Learning: Memahami Reinforcement Learning

Reinforcement Learning Halo teman-teman, pada pembahasan sebelumnya, kita telah berusaha memahami mengenai supervised learning dan unsupervised learning . Sebelum lanjut ke pemodelan statistik selanjutnya, ada baiknya kita membahas tentang satu lagi jenis algoritma machine learning yang akhir-akhir ini banyak digunakan dalam membentuk artificial intelligence (AI), yaitu algoritma reinforcement learning . Kita ke pengertian berdasarkan studi literatur daring ( online ) dulu teman-teman. Saya coba mengambil salah satu pengertian reinforcement learning, misalkan dari situsnya Algoritma, menyatakan bahwa reinforcement learning merupakan algoritma yang diterapkan untuk pembelajaran mesin ( machine learning ) sedemikian rupa sehingga dapat menentukan aksi yang tepat dan pada akhirnya sebuah program dapat bekerja secara otomatis memberikan hasil atau putusan yang benar. Lebih lanjut dalam situs algoritma mengangkat sebuah perumpamaan reinforcement learning dengan menggunakan proses penugasan
Posting Komentar
Baca selengkapnya

Machine Learning: Perbedaan Supervised Learning dan Unsupervised Learning

Perbedaan supervised learning dan unsupervised learning Halo teman-teman, kemarin kita telah mengawali bahasan mengenai salah satu anggota dari Machine Learning sekaligus merupakan contoh dari algoritma supervised learning , yaitu Naive Bayes Classifier (NBC). Akhir-akhir ini, dunia sains data dihebohkan dengan berbagai istilah statistik yang berkaitan erat dengan komputasi atau komputasi statistik, yaitu supervised learning dan unsupervised learning . Sebenarnya ada lagi istilah baru dan cukup makin sulit menyederhanakan definisinya, yaitu reinforcement learning , tapi khusus reinforcement learning nanti akan kita bahas tersendiri karena kita mulai bersinggungan dengan Artificial Intelligence atau kecerdasan buatan. Jujur, saya mengakui bahwa tidak semua dari kita memiliki latar belakang apalagi pakar teknologi informasi (IT). Sehingga, bila kita cermati bahasan-bahasan atau istilah komputasi statistik, sains data, atau data engineering , kita mungkin akan sejenak loading , bahkan s
Posting Komentar
Baca selengkapnya