 |
| 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")
 |
| Voronoi 1 |
#Menambahkan titik data
ggplot(df, aes(Lat, Long)) +
stat_voronoi(geom = "path") +
geom_point()
 |
| 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()
 |
| Voronoi 3 |
#Menambahkan Gradasi berdasarkan data besaran IPM
ggplot(df, aes(Lat, Long, fill = IPM)) +
geom_voronoi() +
stat_voronoi(geom = "path") +
geom_point()
 |
| 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")
 |
| 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")
 |
| 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!