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

Visualisasi Histogram dengan R

Visualisasi Histogram dengan R

Halo teman-teman, setelah sekilas kita membahas mengenai uji asumsi pemodelan, kita break dulu sejenak untuk mengulas mengenai visualisasi data. Bagi teman-teman yang ingin membaca mengenai ulasan uji asumsi bisa klik di sini. Kali ini, yang akan kita bahas pertama adalah bagaimana caranya memvisualisasikan data dengan histogram. Mungkin teman-teman semua telah mengetahui bahwa histogram merupakan salah satu bentuk analisis deskriptif untuk menggambarkan secara visual sebaran data atau variabel tertentu.

Histogram ini cirinya kita tahu, dia punya identitas amatan atau record pada sumbu X (absis), dan frekuensi pada sumbu Y (ordinatnya). Sedangkan bentuknya grafik batang dan mempunyai identitas nama data atau variabel yang dihistogramkan. Bagaimana memvisualisasikannya di R?

Code standar untuk membuat histogram adalah sebagai berikut:

hist(x, col, main, xlab, ylab)

x adalah data atau variabel yang akan kita histogramkan; col adalah warna dari bar atau batang histogram; main adalah judul dari histogram; xlab adalah nama dari amatan data yang dihistogramkan; dan ylab adalah nama sumbu Y atau biasa kita sebut frekuensi.

Untuk mempraktikan bagaimana visualisasi histogram, kita siapkan dulu datanya. Kali ini data yang kita gunakan adalah data riil jumlah follower setiap akun yang saya dapatkan dari Twitter mengenai topik Minyak Goreng dan hastag #MinyakGoreng #MinyakGorengMahal dan #MinyakGorengLangka beberapa waktu lalu, teman-teman dapat mengunduhnya pada link berikut. Setelah selesai unduh, mari kita lakukan praktikum membuat histogram dengan code berikut:

Code:

#Import Data Sebaran Jumlah Follower menurut ID Akun Twitter
library(readxl)
sebaranfollowerakuntweets <- read_excel("C:/Users/Joko Ade/Downloads/sebaranfollowerakuntweets.xlsx")

#Untuk mendapatkan alamat direktori, teman-teman dapat memahami ulasan mengenai cara import data xlsx di blog ini.

#Melihat Sekilas Data
head(sebaranfollowerakuntweets)

Hasil:

ID_akun Follower


Code:

#melihat dimensi data
dim(sebaranfollowerakuntweets)

Hasil:

[1] 54347     2

#Terdapat sebanyak 54.347 baris dan 2 kolom

Code:

#Transformasi nama data awal dengan nama "x" untuk kemudahan
x <- sebaranfollowerakuntweets

#Membuat Histogram
hist(x$Follower, col = "steelblue", main = "Histogram Sebaran Data Follower", xlab = "ID Akun Twitter", ylab = "Frequensi")

Hasil:

Code:

#Membuat Histogram dengan Trasformasi Logaritma log()
hist(log(x$Follower), col = "steelblue", main = "Histogram Sebaran Data Follower", xlab = "ID Akun Twitter", ylab = "Frequensi")

Hasil:

Code:

#Mengubah judul menjadi 2 baris
#Membuat Histogram dengan Trasformasi Logaritma log()
hist(log(x$Follower), col = "steelblue", main = "Histogram Sebaran Data Follower \n
     menurut ID Akun Twitter", xlab = "ID Akun Twitter", ylab = "Frequensi")

Hasil:

Oke, demikian sedikit ulasan bagaimana kita memvisualisasikan histogram dengan R. Jangan lupa untuk share, tanya-tanya di kolom komentar, dan menyimak unggahan berikutnya. Semoga bermanfaat.

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

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

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