Langsung ke konten utama

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

Mencari P - Value dan Titik Kritis Uji F, Uji t, Uji Chi Square, dan Uji Z Normal dengan R

Mencari nilai p-value dan titik kritis Bagi teman-teman yang pernah mengenal statistika, pasti familier dengan istilah p-value dan titik kritis. P-value biasanya didefinisikan sebagai probabiltas atau peluang maksimal yang diamati dari hasil uji statistik, bahasa gampangnya adalah besarnya kesalahan penelitian berdasarkan uji statistik. Sebagai contoh sederhana, dari 100 orang dengan nama masing-masing dan diklasifikasikan ke dalam gender nama perempuan dan nama laki-laki, didapatkan nilai p-value uji statistiknya sebesar 0,05 atau 5%. Itu artinya, dari 100 orang, ada kemungkinan sebanyak 5 orang yang namanya salah klasifikasi. Dari namanya terdeteksi sebagai nama perempuan, padahal aktualnya yang bersangkutan bergender laki-laki. Sedangkan titik kritis atau titik uji adalah nilai batas pengujian hipotesis statistik, apakah masuk dalam wilayah tolak hipotesis, ataukah gagal menolaknya. Titik ini berkaitan erat dengan nilai p-value . Kalau biasanya kita mendapatkan kedua nilai ini da...

Cara Mendowload dan Install R serta RStudio di Windows (Step by Step)

Cara Download dan Install R serta R Studio di Windows Halo teman-teman, mohon maaf karena beberapa waktu ini, blog ini sempat vakum dari unggahan. Kali ini saya akan coba berbagai mengenai bagaimana cara mengunduh ( download ) dan menginstal ( install ) program R sekaligus R Studio khususnya di Windows. Unggahan kali ini sedikit terbalik karena semestinya saya unggah terlebih dahulu pertama kali di blog ini, namun bukan masalah, mengingat kemarin ada beberapa pihak yang meminta untuk menerangkap bagaimana tahapan mengunduh dan instalasi R dan R Studio, jadinya saya dahulukan pada unggahan ini sebelum pembahasan mengenai Data Mining , Data Science , atau bahasan Big Data kita terlampau jauh. Baik, kita akan mulai dengan bagaimana mengunduh R dan R Studio melalui mesin pencari Google. R dan R Studio ini memang beberapa waktu terakhir ini booming , apalagi dengan munculnya konsep mengenai Big Data , Data Modelling, Data Mining, dan Data Science serta Data Visualization . Sebenarnya, men...

Analisis Tipologi Klassen (Klassen Typology) dan Visualisasi Spasialnya dengan R

Tipologi Klassen dan visualisasinya dengan R Halo teman-teman, sebelumnya kita telah membahas tentang analisis Shift Share dan Location Quotient (LQ) dengan menggunakan R. Kali ini, kita akan membahas mengenai satu lagi alat analisis yang sebenarnya merupakan alat analisis tiga serangkai dari SS dan LQ, yaitu analisis Tipologi Klassen. Dalam penelitian ekonomi kewilayahan, ketiga analisis ini seringkali digunakan, baik dalam rangka melihat perkembangan dan transformasi struktur ekonomi suatu wilayah maupun melihat keunggulan kompetitif dan keunggulan komparatif wilayah satu dengan wilayah lainnya dengan mengacu wilayah referensi. Terlebih dulu, sebelum melakukan visualisasi spasial menggunakan fungsi plot(), ada baiknya kita bahas terlebih dahulu mengenai Tipologi Klassen itu sendiri. Tipologi Klassen merupakan teknik pengelompokan sektor, subsektor, lapangan usaha, atau komoditas tertentu di wilayah analisis berdasarkan pertumbuhan nilai tambah wilayah analisis terhadap nasional atau...