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

Pivot Table dengan R

Pivot table dengan R

Siapa dari kita yang nggak pernah menggunakan fasilitas pivot table di excel? Mungkin banyak di antara kita yang telah mengenal bahkan familier dengan fasilitas yang disediakan excel satu ini. Pivot table banyak dimanfaatkan untuk keperluan olah data secara cepat dan praktis. Kita hanya berbekal drag and drop setiap variabel yang dipivotkan sudah menjadi sebuah tabel yang teragregasi secara otomatis dan memenuhi segala keperluan yang mendesak.

Di excel sendiri, kita sebenarnya tidak perlu berpikir panjang apalagi susah payah membangun code. Namun, dalam rangka membangun logika dan pemahaman terhadap pivot table itulah yang menjadikan saya sedikit berbagi gimana sih caranya menerapkan pivot table  di R? Kalau di excel, secara gamblang digambarkan berikut:

Pivot table di excel

Lantas, bagaimana kalau di R? Ya, di R kita masih memerlukan sejumlah langka untuk membuat sebuah tabel atau data menjadi pivit table. Sebelum menerapkan pivot table, terlebih dahulu kita pastikan bahwa package dplyr telah terinstal dan aktif melalui fungsi library(dplyr). Baru kita membuat pivot dengan sedikit code dibubuhi dengan pipe (%>%) yang menunjukkan bahwa instruksi kita berlanjut dari instruksi A ke B, atau seterusnya. Oke, saatnya kita coding untuk mempraktikkannya.

Code:

#Membuat Data Frame
penjualanbuku <- data.frame(tahun = c('2022', '2022', '2021', '2021', '2021', '2021', '2022', '2022', '2020', '2020'),
                 kecamatan = c('Tulangan', 'Tulangan', 'Porong', 'Tulangan', 'Porong', 'Porong', 'Candi', 'Candi', 'Candi', 'Tulangan'),
                 penjualan = c(12, 18, 21, 22, 34, 29, 38, 36, 34, 32))

#Melihat Data Frame
penjualanbuku

Hasil:

  tahun kecamatan penjualan
1   2022  Tulangan        12
2   2022  Tulangan        18
3   2021    Porong        21
4   2021  Tulangan        22
5   2021    Porong        34
6   2021    Porong        29
7   2022     Candi        38
8   2022     Candi        36
9   2020     Candi        34
10  2020  Tulangan        32

Code:

#mengaktifkan package dplyr
library(dplyr)

#Menemukan Jumlah Penjualan Buku menurut Tahun
penjualanbuku %>%
  group_by(tahun) %>%
  summarize(jumlah_penjualan = sum(penjualan))

Hasil:

tahun jumlah_penjualan

2020             66

2021            106

2022            104

Code:

#Menemukan Rata-rata Penjualan Buku Menurut Kecamatan
penjualanbuku %>%
  group_by(kecamatan) %>%
  summarise(ratarata_penjualan = mean(penjualan))

Hasil:

kecamatan ratarata_penjualan

Candi                    36

Porong                  28

Tulangan               21

Code:

#Menemukan Standar Deviasi Penjualan Menurut Kecamatan
penjualanbuku %>%
  group_by(kecamatan) %>%
  summarise(sd_penjualan = sd(penjualan))

Hasil:

kecamatan sd_penjualan

Candi                     2

Porong                6.56

Tulangan             8.41

Code:

#Menemukan Kecamatan mana yang Paling Homogen penjualannya
penjualanbuku %>%
  group_by(kecamatan) %>%
  summarise(KV = (sd(penjualan)/mean(penjualan)))

Hasil:

kecamatan           KV

Candi                 0.0556

Porong               0.234

Tulangan            0.400

Terlihat bahwa penjualan Kecamatan Candi relatif homogen dibandingkan 2 kecamatan lainnya.

Oke, demikian sedikit ulasan bagaimana kita menerapkan pivot table di R sebagaimana pivot table di excel. Jangan lupa untuk share, tanya-tanya di kolom komentar, dan menyimak unggahan berikutnya. Semoga bermanfaat.

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