 |
| 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)
 |
| 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)
 |
| 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
Posting Komentar