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 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 waktu yang sama. Nilai normatif dari AKB sendiri terbagi menjadi beberapa, < 20 dikatakan rendah, 20 - 39 dikatakan sedang, dan 40 - 70 dikatakan tinggi.

Dalam kesempatan ini, kita akan mempraktikkan bagaimana memvisualisasikan data dengan peta untuk mendukung analisis spasial. Data yang kita gunakan kali ini bersumber dari Dinas Kesehatan Kementerian Kesehatan Provinsi Jawa Timur berupa Angka Kematian Bayi menurut kabupaten dan kota tahun 2021.

Data Angka Kematian Bayi (AKB) Jawa Timur tahun 2021 menurut kabupaten dan kota dapat diunduh pada tautan berikut. Sedangkan peta Jawa Timur dengan ekstensi *shp dapat diunduh pada tautan berikut. Setelah datanya diunduh, lalu kita akan mempraktikkan bagaimana cara memvisualisasikan data secara spasial (spatial) berdasarkan peta (maps) dengan tahapan sebagai berikut:

#Aktivasi package yang digunakan dalam visualisasi spasial
library(sf)
library(ggspatial)
#Import peta jatim shp
nc <- st_read(dsn="E:/JOKO ADE/R", layer = "jatim")
## Reading layer `jatim' from data source `E:\JOKO ADE\R' using driver `ESRI Shapefile'
## Simple feature collection with 38 features and 17 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 110.8984 ymin: -8.780764 xmax: 116.2634 ymax: -5.527337
## CRS:           NA
#Import data yang divisualisaikan
library(readxl)
akb <- read_excel("akb.xlsx")
head(akb)
## # A tibble: 6 x 4
##   Kako          AKB   Lat  Long
##   <chr>       <dbl> <dbl> <dbl>
## 1 Pacitan        72 -8.18  111.
## 2 Ponorogo      120 -7.87  111.
## 3 Trenggalek     35 -8.08  112.
## 4 Tulungagung   115 -8.10  112.
## 5 Lumajang      110 -8.13  113.
## 6 Bondowoso     144 -7.92  114.
#Attach data
attach(akb)
## The following objects are masked from akb (pos = 4):
## 
##     AKB, Kako, Lat, Long
## The following objects are masked from akb (pos = 5):
## 
##     AKB, Kako, Lat, Long
## The following objects are masked from akb (pos = 11):
## 
##     AKB, Kako
#Visualisasi AKB
par(mfrow=c(1, 2))
plot(AKB)
boxplot(AKB)
plot of chunk unnamed-chunk-12
Visualisasi plot dan box plot data AKB Jawa Timur tahun 2021

#Menambahkan data dalam peta
nc$AKB2021 <- akb$AKB
nc$lon <- akb$Long
nc$lat <- akb$Lat
nc$nm <- akb$Kako
#Visualisasi spasial
library(maps)
library(ggplot2)
library(ggsn)
ggplot(nc, aes(x = lon, y = lat, fill = AKB2021)) +
  geom_sf() + scale_fill_continuous(low = "#7F0000", high = "#fff7ec", breaks = c(0, 0.1, 0.5, 1)) + #breaks untuk mengatur cut point gradasi
  blank() +
  north(nc, symbol = 3) + #symbol untuk memilih jenis symbol, cek jenisnya di northSymbols()
  scalebar(nc, dist = 50, dist_unit = "km", #dist adalah skala
           transform = TRUE, model = "WGS84") +
  geom_text(aes(label = nm), size = 2)
plot of chunk unnamed-chunk-14
Visualisasi spasial (spatial / maps) AKB menurut kabupaten dan kota Jawa Timur tahun 2021

Demikian sedikit sharing kita semoga sedikit banyak dapat membantu dan bermanfaat bagi seluruh pembaca setia blog sederhana ini. Jangan lupa untuk terus menyimak unggahan menarik dari blog ini. Selamat memahami dan mempraktikan!

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