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

Visualisasi Diagram Chord (Chord Diagram) dengan R

Diagram Chord

Kita masih berkutat membahas visualisasi data teman-teman. Kita pelan-pelan saja membahas dan mendalami R. Tenang saja, nantinya kita akan menuju bahasan-bahasan yang lebih lanjut dan mendalam lagi, terutama pemodelan statistik. Mengingat memang fungsi atau manfaat utama penggunaan R ini adalah di Data Mining yang termasuk di dalamnya adalah pemodelan statistik menggunakan data.

Baik, kali ini kita kita akan membahas visualisasi yang bisa dibilang merupakan tetangga dekat, atau kata lain bisa kita sebut sahabat karibnya Diagram Sankey yang sebelumnya kita bahas (bagi yang ketinggalan bisa cek di sini saja). Kalau Diagram Sankey kita gunakan untuk set data yang saling berhubungan dengan set data lainnya, demikian halnya dengan Diagram Chord. Visualisasi jenis ini juga bisa kita gunakan untuk menampilkan set data yang saling berkaitan.

Bedanya, kalau Diagam Sankey itu berbentuk alur seperti pipa-pipa air yang berpecah dan menyatu satu dengan yang lain, sedangkan Diagram Chord (Chord Diagram) bentuknya seperti lubang gitar (bentuknya bulat atau lingkaran) yang di dalamnya terdapat hubungan atau relasi antar set data. Selain itu, sejauh yang saya amati, Diagram Chord ini hubungan antar set data (node) lengkap dan tidak ada node yang tidak memiliki pasangan atau berkorespondensi satu-satu. Data-data yang cocok untuk divisualisasikan dengan Diagram Chord misalnya, data Tabel Input-Output, data Ekspor-Impor, data Distribusi Perdagangan Antar Wilayah, dan data arus Komuter penduduk, dan masih banyak pula data-data sejenis yang relevan divisualisasikan dengan Diagram Chord ini.

Lalu, bagaimana penerapannya di R? Kita akan mempraktikkan bagaimana cara sederhana untuk membuat visualisasi Diagram Chord ini. Namun, sebelumnya kita harus menyiapkan datanya terlebih dulu. Data yang kali akan kita gunakan adalah data Tabel Input-Output (I-O) Provinsi Jawa Timur 2016. Adapun sumber datanya bisa teman-teman peroleh dengan mengunjungi laman situs jatim.bps.go.id. Data I-O yang telah saya siapkan bisa diunduh pada link berikut. Setelah datanya diunduh, mari kita praktikkan visualisasi Diagram Chord dengan beberapa code berikut:

Code:

#Import Data I-O Jawa Timur 2016
library(readxl)
iojatim <- read_excel("E:/R/Chord Diagram Tabel I-O Indonesia/iojatim.xlsx")

#Melihat data Input - Output Jawa Timur 2016
iojatim

Hasil:

# A tibble: 17 x 18
    ...1       `1`    `2`    `3`    `4`    `5`    `6`    `7`    `8`    `9`   `10`   `11`   `12`   `13`   `14`
 
 1     1 13015371. 4.30e3 8.25e7 1.45e3 2.38e3 2.12e5 3.72e2 9.37e3 1.68e7 2.54e0 2.07e3 0      0      4.46e5
 2     2     5071. 5.09e5 8.78e6 1.04e7 7.55e2 3.01e7 0      0      1.10e2 0      0      0      0      1.08e2
 3     3 16232079. 3.20e6 2.15e8 1.04e6 1.77e5 8.57e7 1.19e7 1.17e7 1.93e7 2.82e6 1.44e6 1.15e6 3.22e6 2.24e6
 4     4   855900. 2.09e6 1.45e7 3.27e7 1.56e5 2.21e5 7.09e6 1.35e6 1.28e6 8.22e6 2.10e5 9.95e5 1.79e6 8.97e5
 5     5    22961. 1.01e4 1.43e5 1.49e4 1.40e4 1.13e4 3.31e4 2.04e4 3.50e4 1.79e4 1.25e3 4.60e1 7.50e2 1.41e4
 6     6   341149. 8.57e4 1.19e6 1.72e3 4.20e4 1.58e7 6.38e4 2.75e5 3.91e4 1.92e4 5.37e5 2.52e6 1.29e5 1.81e6
 7     7  5284537. 3.23e6 7.68e7 2.67e6 7.35e4 2.14e7 3.66e6 1.21e7 8.53e6 1.12e6 6.01e5 1.01e6 2.26e6 2.41e6
 8     8  3173845. 2.25e6 2.34e7 8.34e5 4.46e4 4.03e6 9.26e6 6.94e6 1.76e6 1.34e6 4.72e5 1.29e6 2.09e6 3.84e6
 9     9   408631. 9.95e5 5.57e6 1.34e5 1.30e4 4.96e4 6.85e5 4.16e5 1.17e6 6.36e4 8.31e4 1.11e5 1.82e6 2.44e6
10    10    90835. 4.24e5 1.49e6 3.51e5 8.83e3 4.07e5 1.16e7 2.20e6 6.16e5 1.82e7 2.18e6 1.36e6 3.86e6 8.38e5
11    11  1266998. 5.27e5 6.38e6 1.71e6 5.85e4 8.06e5 1.71e7 1.53e6 1.77e5 6.86e5 3.92e6 2.50e6 7.82e5 2.44e5
12    12        0  9.12e5 3.44e6 0      2.31e4 9.80e5 9.62e6 3.08e6 5.88e5 1.35e6 2.40e5 9.95e5 1.04e6 2.34e5
13    13   527537. 2.01e6 5.47e6 5.86e5 4.25e4 7.66e5 6.78e6 7.62e6 7.96e5 4.28e6 3.37e6 1.06e6 3.43e6 1.92e6
14    14    11546. 4.84e3 7.29e5 6.02e4 6.29e2 4.63e0 1.75e3 8.70e4 3.07e3 1.87e3 1.30e5 1.15e4 6.76e5 1.64e5
15    15     4062. 1.08e4 2.70e5 7.25e3 1.23e3 1.45e4 3.15e5 7.86e4 9.58e3 1.33e4 2.01e5 2.58e3 1.35e4 9.34e4
16    16   146783. 1.22e5 8.23e5 5.78e3 4.81e2 1.61e5 6.64e4 1.52e5 1.95e4 9.03e3 3.52e4 3.80e5 7.11e5 7.23e3
17    17   620804. 2.08e5 5.40e6 1.39e5 7.57e4 3.98e5 1.74e6 1.09e6 8.20e5 1.09e5 5.52e4 1.48e5 3.52e5 1.38e5
# ... with 3 more variables

Code:

#Mengecek apakah tipe data I-O numerik
is.numeric(iojatim)

Hasil:

[1] FALSE

Code:

#Jika False, ambil subset matriks n dari matriks io
n <- as.matrix(iojatim[2:18]) #ambil subset 2 sampai 18 tanpa baris 1

#Cek apakah sudah numerik?
is.numeric(n)

Hasil:

[1] TRUE

Code:

#Kalau sudah TRUE bisa digunakan Chord Diagram
grupnama <- c("Tanhutkan",
              "Tamgal",
              "Inpeng",
              "Pengadaan_LGEs",
              "Pengadaan AOSDaur",
              "Konstruksi",
              "Perdagangan_BERep",
              "Transgud",
              "Penyediaan_Akomamin",
              "Infokom",
              "Jasa_Keuas",
              "RE",
              "Jasperu",
              "Adpemtansos",
              "Jasdik",
              "Jakesos",
              "JL"
)

#membuat Fungsi warna grup pada Chord Diagram
color <- colorRampPalette(c("red", "yellow", "green"))
warna <- color(17) #17 karena kita akan gradasi warnanya menjadi 17 warna dengan warna dasar merah, kuning, hijau

#Menginstall dan aktivasi package chorddiag

install.packages("devtools")
library(devtools)
devtools::install_github("mattflor/chorddiag") #karena package chorddiag itu kita pakai teknik repo dari github mattflor jadi menggunakan install_github() dari devtools
library(chorddiag)

#Membuat Chord Diagram
chorddiag(n, groupPadding = 2, groupColors = warna, groupNames = grupnama, ticklabelFontsize = 0.01,
          groupnameFontsize = 10)

Hasil:

Diagram Chord dengan R

Baiklah, demikian sedikit ulasan mengenai bagaimana kita membuat visualisasi data Diagram Chord untuk data Input-Output Jawa Timur 2016 dengan R. Jangan lupa share dan kementar bila ada pertanyaan atau eror di kolom komentar. Jangan lupa juga untuk terus mengikuti unggahan-unggahan menarik berikutnya di blog ini. Selamat memperaktikkan!

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