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 Diagram Voronoi dengan R

Visualisasi Diagram Voronoi dengan R

Sampai saat ini, visualisasi data merupakan bagian tak terpisahkan dari aktivitas analisis data. Baik pada era statistik klasik maupun masuk era Big Data, visualisasi merupakan bagian penting sebagai pendukung analisis. Tujuan visualisasi pada dasarnya adalah mempermudah pemahaman pengguna sekaligus pembaca data. Dengan tampilan yang beragam, daya tarik sebuah informasi dari sebuah data semakin kuat.

Selama ini, kita mungkin hanya mengenal beberapa jenis visualisasi sederhana. Visualisasi itu dapat berbentuk garis, batang, lingkaran, titik, area, atau turus. Namun, tahukah bahwa saat ini, terdapat visualisasi yang bernama Voronoi?

Ya, Voronoi pada dasarnya merupakan jenis visualisasi diagram. Visualisasi ini terinspirasi dari pola dedaunan (daun tanaman). Elemen dari visualisasi ini terdiri atas 3 elemen, yaitu batas luar voronoi, batas pola (path) yang berbentuk garis, serta area yang dapat dicustomize sesuai kebutuhan, bisa berupa warna, atau titik-titik data.

Data yang dapat divisualisasikan menjadi diagram Voronoi adalah data-data berdimensi 3. Dua data pertama berfungsi sebagai titik koordinat sekaligus menjadi dasar pembentukan path, satu lagi merupakan value berupa data penimbang besar atau kecilnya path.

Pada praktikum kita kali ini, untuk membuat visualisasi digaram Voronoi, kita mulai dengan sedikit manipulasi data (Data Manipulation) menggunakan package dplyr. Data yang digunakan adalah data koordinat dalam kasus ini data latitude dan longitude kabupaten dan kota di Jawa Timur serta data mengenai Indeks Pembangunan Manusia (IPM) Jawa Timur menurut Kabupaten dan Kota Tahun 2021. Data IPM sendiri dapat pembaca unduh di website BPS Provinsi Jawa Timur (jatim.bps.go.id) atau secara lebih mudah dapat unduh di sini. Setelah data telah diunduh semua, berikutnya kita akan mulai melakukan visualisasi diagram Voronoi dengan R mengikuti langkah-langkah berikut:

#Import Data IPM Jatim 2021
#Mengubah nama data IPM menjadi df1
df1 <- ipmjatim2021
head(df1)
## # A tibble: 6 x 2
##   Kako                    IPM
##   <chr>                 <dbl>
## 1 Kabupaten Pacitan      68.6
## 2 Kabupaten Ponorogo     71.1
## 3 Kabupaten Trenggalek   70.1
## 4 Kabupaten Tulungagung  73.2
## 5 Kabupaten Blitar       71.0
## 6 Kabupaten Kediri       72.6
#Import Data Latitude Longitude Jatim
#Mengubah nama data menjadi df2
df2 <- latlongjatim
head(df2)
## # A tibble: 6 x 3
##   Kako                    Lat  Long
##   <chr>                 <dbl> <dbl>
## 1 Kabupaten Pacitan     -8.18  111.
## 2 Kabupaten Ponorogo    -7.87  111.
## 3 Kabupaten Trenggalek  -8.08  112.
## 4 Kabupaten Tulungagung -8.10  112.
## 5 Kabupaten Blitar      -8.10  112.
## 6 Kabupaten Kediri      -7.85  112.
#Menggabung data IPM dan Latlong Jatim menurut ID Kako
#Menggunakan inner_join
library(dplyr)
df <- inner_join(df1, df2, by = "Kako")
head(df)
## # A tibble: 6 x 4
##   Kako                    IPM   Lat  Long
##   <chr>                 <dbl> <dbl> <dbl>
## 1 Kabupaten Pacitan      68.6 -8.18  111.
## 2 Kabupaten Ponorogo     71.1 -7.87  111.
## 3 Kabupaten Trenggalek   70.1 -8.08  112.
## 4 Kabupaten Tulungagung  73.2 -8.10  112.
## 5 Kabupaten Blitar       71.0 -8.10  112.
## 6 Kabupaten Kediri       72.6 -7.85  112.
#Mengattach data df
attach(df)
## The following objects are masked from df (pos = 4):
## 
##     IPM, Kako, Lat, Long
## The following objects are masked from df (pos = 5):
## 
##     IPM, Kako, Lat, Long
## The following objects are masked from spas:
## 
##     IPM, Kako, Lat, Long
#Aktivasi library yang dibutuhkan visualisasi Voronoi
library(ggvoronoi)
library(ggplot2)
#Membuat pembagian luas berdasarkan koordinat data
ggplot(df, aes(Lat, Long)) +
  stat_voronoi(geom = "path")
plot of chunk unnamed-chunk-22
Voronoi 1

#Menambahkan titik data
ggplot(df, aes(Lat, Long)) +
  stat_voronoi(geom = "path") +
  geom_point()
plot of chunk unnamed-chunk-23
Voronoi 2

#Mengubah nama Path, baik warna, lebar batas path, maupun tipe garis pathnya
ggplot(df, aes(Lat, Long)) +
  stat_voronoi(geom = "path",
               color = 4,      #warna garis path pembatas
               lwd = 0.7,      #lebar garis path
               linetype = 1) + #tipe path
  geom_point()
plot of chunk unnamed-chunk-24
Voronoi 3

#Menambahkan Gradasi berdasarkan data besaran IPM
ggplot(df, aes(Lat, Long, fill = IPM)) +
  geom_voronoi() +
  stat_voronoi(geom = "path") +
  geom_point()
plot of chunk unnamed-chunk-25
Voronoi 4

#Mengubah Gradasi Legenda warna menjadi kebalikannya
#IPM Te#Mengubah Gradasi Legenda warna menjadi kebalikannya
#IPM Tertinggi warna hijau, terendah warna putih
ggplot(df, aes(Lat, Long, fill = IPM)) +
  geom_voronoi() +
  stat_voronoi(geom = "path") +
  geom_point() +
  scale_fill_gradient(low = "white",
                      high = "green")
plot of chunk unnamed-chunk-26
Voronoi 5

#Tanpa Legenda
ggplot(df, aes(Lat, Long, fill = IPM)) +
  geom_voronoi() +
  stat_voronoi(geom = "path") +
  geom_point() +
  scale_fill_gradient(low = "white",
                      high = "green") +
  theme(legend.position = "none")
plot of chunk unnamed-chunk-27
Voronoi 6

Demikian sedikit sharing kita kali ini, semoga sedikit banyak memberi manfaat kepada seluruh pembaca. Jangan lupa untuk terus menyimak setiap unggahan terbaru dalam blog sederhana ini. Selamat memahami dan mempraktikkan!

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