seminar: visualisasi data interaktif data terbuka pemerintah provinsi dki jakarta topik ekonomi dan...

Visualisasi Data Interaktif Data Terbuka Pemerintah Provinsi DKI Jakarta

Topik Ekonomi dan Keuangan Daerah

Adam Mukharil Bachtiar, S.Kom., M.TNIP. 41277006024

Nadiar Ahmad SyaripulNIM. 10111121

Fenomena

Lisensi:1. Open Data Commons Open Database License (ODbL)2. Creative Commons Attribution

Repositori Koleksi Dataset Format Data

http://data.go.id 1082 (31 Maret 2015) csv, xls/xlsx, jsonhttp://data.jakarta.go.id 696 (31 Maret 2015) csv, xls/xlsx, jsonhttp://data.bandung.go.id 350 (31 Maret 2015) csv

Keterangan LisensiCreative Commons

Attribution1Open Data Commons Open

Database License2

Free to Share √ √Free to Create √ √Free to Adapt √ √Must Attribute √ √

Must Share-Alikie √Must Keep Open √

[1] https://creativecommons.org/licenses/by-nc-sa/4.0/[2] http://opendatacommons.org/licenses/odbl/

Latar BelakangSulit mengambil informasi

umumSurvey

Demand visualisasi dataSurvey

100 % Perlu

Early Adapter UserIbu Sri Dewi Anggadini, SE., M.Si

Maksud dan Tujuan

Maksud dari penelitian ini adalah memvisualisasikan dataset ekonomi dan keuangan Pemerintah Provinsi DKI Jakarta. Adapun tujuan yang penelitian ini adalah sebagai berikut:

Membuat visualisasi dari dataset yang diberikan berdasarkan analisis statistika/algoritma.

Memudahkan pelaku ekonomi mikro dan makro melihat informasi umum dengan cara visualisasi.

Batasan Masalah• Dataset utama yang digunakan adalah dataset keuangan daerah

dan perekonomian yang didapatkan dari repositori open data Pemerintah Provinsi DKI Jakarta.

• Segmentasi pengguna produk dari penelitian ini adalah pelaku ekonomi makro dan pelaku ekonomi mikro.

• Sistem hanya menampilkan informasi visual, tidak menerima konten dari pengguna (data store).

• Pendekatan analisis perangkat lunak menggunakan OOAD.

Metodologi Penelitian

C. O’Neil and R. Schutt, Doing Data Science: Straight Talk from the Frontline. 2013.

Data Science Process

Data Science“…we thought it would be useful to

propose one possible taxonomy… of what a data scientist does, in roughly

chronological order: Obtain, Scrub, Explore, Model, and interpret…. Data science is clearly a blend of the hackers,

arts… statistics and machine learning… and the expertise in

mathematics and the domain of the data for the analysis to be interpretable… It requires creative decisions and open-

mindedness in a scientific context.”

Hilary Mason and Chris Wiggins write in http://www.dataists.com/2010/09/a-taxonomy-of-data-science/C. O’Neil and R. Schutt, Doing Data Science: Straight Talk from the Frontline. 2013.

Teori Umum“Any fool can make something complicated. It takes a genius to make it simple”― Woody Guthrie

Apa itu Visualisasi Data?

Cara efektif melakukan analisis, mempermudah menyimpulkan data, dan membuat data yang

kompleks menjadi lebih mudah untuk dimengerti.

F. Frankel, Visualizing Data, vol. 92, no. 2. 2004.

Bagaimana Proses Visualisasi Data?

Data Collection Mining the Data(Optional)

Visualize the Data Make it Interactive(Optional)

- F. Frankel, Visualizing Data, vol. 92, no. 2. 2004.- C. O’Neil and R. Schutt, Doing Data Science: Straight Talk from the Frontline. 2013.

Analisis“Discovery is no longer limited by the collection and processing of data, but rather management, analysis, and visualization.” ― Damian Mingle

Analisis Sumber Data (1)

Ketenaga Kerjaan

Ikhtisar Statistik

Besar UMP

Laju Pertumbuhan

Ekonomi Tingkat Inflasi

Pendapatan Perkapita Komponen

Inflasi

Inflasi Bulanan Struktur

Ekonomi

Perekonoxamian

Realisasi APBD 2015

APBD

Harga Pangan Tingkat

KonsumenHarga Grosir

di Pasar Induk

Komoditas

Volume & Nilai Ekspor

Ekspor-Impor

Nilai Impor Menurut Golongan

Ekspor-Impor

2 Kategori

3 Kategori

2

6

3

2

Analisis Sumber Data (2) – Dataset Ekonomi

Data Atribut KeteranganTabel III‑1 Ikhtisar Statistik antar Kerja DKI Jakarta

tahun, indikator, rincian_indikator, jumlah

Tabel III‑2 Besar Upan Minimum DKI Jakarta

tahun, ump, kenaikan_ump, inflasi

Ump dalam rupiah, kenaikan_ump dan inflasi dalam persen

Tabel III‑3 Laju Pertumbuhan Ekonomi Jakarta dan Nasional

tahun, persen_tumbuh_jakarta, persen_tumbuh_nasional

Tabel III‑4 Tingkat Inflasi Jakarta dan Nasional

tahun, inflasi_jakarta, inflasi_nasional

Inflasi Jakarta dan Nasional dalam persen

Tabel III‑5 Pendapatan Perkapita Jakarta dan Nasional

tahun, perkapita_jakarta, perkapita_nasional

Pendapatan perkapita dalam juta rupiah

Tabel III‑6 Komponen Inflasi Jakarta

komponen_inflasi, bulan, persen_inflasi

Analisis Sumber Data (3) – Dataset Ekonomi

Data Atribut KeteranganTabel III‑7 Ekspor Impor DKI Jakarta

tahun, ekspor_melalui_jakarta, ekspor_produk_jakarta, impor_melalui_jakarta

Ekspor dan impor dalam juta USD

Tabel III‑8 Struktur Ekonomi Jakarta Berdasarkan Sektor

tahun, jenis_sektor, persen_kontribusi

Tabel III‑9 Inflasi Bulanan di Jakarta dan Indonesia

bulan, tahun, inflasi_jakarta, inflasi_indonesia

Inflasi dalam persen

Analisis Sumber Data (4) – Dataset Keuangan Daerah

Data Atribut KeteranganTabel III‑10 Realisasi Belanja 2015 DKI Jakarta

unit_kerna, nama_unit_kerja, urusan, nama_urusan, ...

Tabel III‑11 Volume dan Nilai Ekspor DKI Jakarta

tahun, hs, jenis_komoditas, volume, nilai

Tabel III‑12 Nilai Impor Produk Menurut Golongan

tahun, bulan, golongan, nilai_fob, satuan

nilai_fob dalam juta USD

Tabel III‑13 Harga Pangan Tingkat Konsumen DKI Jakarta

wilayah, komoditi, harga_per_satuan, satuan

Harga dalam rupiah, satuan dalam kg

Tabel III‑14 Perkembangan Harga Grosir di Pasar Induk

tanggal, komoditas, harga Harga dalam rupiah per kg

Analisis Segmentasi Pengguna

Pelaku Ekonomi Makro- Perusahaan Komersil (Business)- Pemerintah (Government)- Departemen Keuangan (Financial)

Pelaku Ekonomi Mikro- Rumah Tangga

(Households)- UKM (Business Firms)

Analisis Kebutuhan Informasi

Makro• Seberapa besar sumber daya

telah dimanfaatkan di dalam kegiatan ekonomi.

• Bagaimana trend variabel-variabel ekonomi mengalami pergerakan.

Mikro• Bagaimana distribusi harga

suatu komoditas. • Seberapa besar permintaan

dan penawaran terhadap komoditas.

Analisis Algoritma (1)

Analisis Algoritma (2)No. Segmentasi

PenggunaKebutuhan Informasi Dataset Statistika/

Algoritma

1. Makro:- Business- Government

Seberapa besar sumber daya telah dimanfaatkan di dalam kegiatan ekonomi.

Tabel III‑1Tabel III‑6Tabel III‑8Tabel III‑10

Statistika

2. Makro- Business- Government- Financial

Bagaimana tren variabel-variabel ekonomi mengalami pergerakan.

Tabel III‑2Tabel III‑3Tabel III‑4Tabel III‑5Tabel III‑8Tabel III‑9

Regresi linear

Analisis Algoritma (3)No. Segmentasi

PenggunaKebutuhan Informasi Dataset Statistika/

Algoritma3. Mikro

- Business Firms - Households

Bagaimana distribusi harga suatu komoditas.

Tabel III‑12Tabel III‑13Tabel III‑14

Statistika

4. Mikro- Business Firms - Households

Seberapa besar permintaan dan penawaran terhadap komoditas.

Tabel III‑7Tabel III‑11Tabel III‑12

Statistikak-Means

Kebutuhan Informasi 1 Makro: Government

“Seberapa besar sumber daya telah dimanfaatkan di dalam kegiatan

ekonomi?”Analisis Algoritma – Statistika

Contoh: Tabel III‑1 Ikhtisar Statistik antar Kerja DKI Jakarta

Sampel Data:Tabel III‑1 Ikhtisar Statistik antar Kerja DKI

Jakarta tahun rincian_indikator jumlah

2009 Pencari kerja yang belum ditempatkan diawal tahun 66445

2009 Pencari kerja yang terdaftar 41794

2009 Pencari kerja yang ditempatkan 12903

2009 Pencari kerja yang dihapus 0

… … …

2013 Lowongan yang belum dipenuhi 612

2013 Lowongan yang terdaftar 43551

2013 Lowongan yang dipenuhi 16721

2013 Lowongan yang dihapus 24868

2013 Lowongan yang ada (Gol I dan Gol II) 0

Statistik:Buat Atribut Persentasi untuk Pie

ChartPsudo Code

> Subset tiap tabel menurut tahun> Untuk setiap subset tahun {> Buat atribut baru bernama ’persen’> Isi kolom atribut ’persen’ dengan NA

value> Subset tabel menurut kategori> Untuk setiap subset kategori {> Untuk setiap row di kolom ‘persen’ {> persen = 100 * jumlah /

sum(jumlah)> }> }> }

R Code> …> df_2009 <- filter(df, df$tahun == '2009-01-

01')> df_2009$persen <- c(NA)

> df_2009$kategori[1:4] <- 'Pencari’> vec <- round((df_2009$jumlah /

sum(filter(df_2009, df_2009$kategori == 'Pencari')$jumlah)) * 100, 2)

> df_2009$persen[1:4] <- vec[1:4]

> df_2009$kategori[5:9] <- 'Lowongan’> vec <- round((df_2009$jumlah /

sum(filter(df_2009, df_2009$kategori == 'Lowongan')$jumlah)) * 100, 2)

> df_2009$persen[5:9] <- vec[5:9]> …

Sampel Data: HasilTabel III‑1 Ikhtisar Statistik antar Kerja DKI

Jakarta tahun rincian_indikator jumlah persen2009 Pencari kerja yang belum ditempatkan diawal

tahun66445 54.85 %

2009 Pencari kerja yang terdaftar 41794 34.50 %2009 Pencari kerja yang ditempatkan 12903 10.65 %2009 Pencari kerja yang dihapus 0 0.00 %

… … … …2013 Lowongan yang belum dipenuhi 612 0.71 %2013 Lowongan yang terdaftar 43551 50.79 %2013 Lowongan yang dipenuhi 16721 19.50 %2013 Lowongan yang dihapus 24868 29.00 %2013 Lowongan yang ada (Gol I dan Gol II) 0 0.00 %

Small Multiple Enclosure Diagram:Persentasi Ikhtisar Statistik DKI Jakarta Tahun 2009-

2013

Line Chart:Ikhtisar Statistik DKI Jakarta Tahun 2009-2013

Kebutuhan Informasi 2Makro: Business, Government, & Financial

“Bagaimana tren variabel-variabel ekonomi mengalami pergerakan?”

Analisis Algoritma – Regresi LinearContoh: Tabel III‑2 Besar Upah Minimum DKI Jakarta

What is Economic Variables?

Indicators, provide quantitative data about the state of an

economy

1. GDP2. Unemployment Rate3. Inflation Rate4. Interest rate5. Level of the stock market6. Exchange rate

https://web.stanford.edu/class/msande247s/econVariables.ppthttp://www.auburn.edu/~gadzeat/macro-variables.htm

What is Linear Regression?Linear regression attempts to model the relationship

between two variables by fitting a linear equation to observed data. One variable is considered to be an

explanatory variable, and the other is considered to be a dependent variable.

http://www.stat.yale.edu/Courses/1997-98/101/linreg.htm

Tahapan-TahapanRegresi Linear

1. Analisis Outlier2. Analisis Model Prediction3. Analisis Confident

Interval

Sampel Data: Tabel III‑2 Besar Upah Minimum DKI Jakarta

tahun ump kenaikan_ump Inflasi %1997 Rp 172.500,- 0.00 % 11.071998 Rp 198.500,- 15.07 % 74.42 %1999 Rp 231.000,- 16.37 % 1.7 %

... ... ... ...2004 Rp 671.550,- 6.33 % 5.87 %2005 Rp 819.100,- 6.00 % 16.06 %2006 Rp 900.560,- 15.07 % 6.03 %

... ... ... ...2014 Rp 2.441.000,- 10.96 % 6.15 %

Variabel Apa yang Akan Diproyeksikan? (1)

tahun ump kenaikan_ump inflasi

1997 Rp 172.500,- 0.00 % 11.07

1998 Rp 198.500,- 15.07 % 74.42 %

1999 Rp 231.000,- 16.37 % 1.7 %

... ... ... ...

2004 Rp 671.550,- 6.33 % 5.87 %

2005 Rp 819.100,- 6.00 % 16.06 %

2006 Rp 900.560,- 15.07 % 6.03 %

... ... ... ...

2014 Rp 2.441.000,- 10.96 % 6.15 %

>Apa dependent variable?>Bukan ordinal variabel>Bukan categorical variabel>Berubah karena variabel lain

>Apa explanatory variable?>Bukan ordinal variabel>Bukan categorical variabel>Tidak dipengaruhi variabel

lain

Variabel Apa yang Akan Diproyeksikan? (2)

tahun ump kenaikan_ump inflasi

1997 Rp 172.500,- 0.00 % 11.07

1998 Rp 198.500,- 15.07 % 74.42 %

1999 Rp 231.000,- 16.37 % 1.7 %

... ... ... ...

2004 Rp 671.550,- 6.33 % 5.87 %

2005 Rp 819.100,- 6.00 % 16.06 %

2006 Rp 900.560,- 15.07 % 6.03 %

... ... ... ...

2014 Rp 2.441.000,- 10.96 % 6.15 %

variabel Dependent (y) Explanatory (x)

tahun X X

ump √ X

kenaikan_ump √ X

inflasi X √

Jadi ump atau kenaikan_ump?

kenaikan_ump

1. Analisis Outlier (1) – Apa itu Outlier?

Outlier is an observation that is "sufficiently different"

from the rest of data

1. An extreme or relatively extreme value2. A containment, that is, an observation from some

other (possibly unknown) distribution3. A legitimate, but surprising/unexpected data value4. A data value that was measured or recorded

incorrectly

Samuels, M. L. (1989). The Design and Analysis of Spatial Data Structures. Addison-WesleyKnorr, Edwin. (2002), Outliers and Data Mining: Finding Exceptions in Data. University of British Columbia

1. Analisis Outlier (2) – Apa itu Outlier?

Outlier:Kenaikan UMP/Inflasi < 0.5

Inflasi 0

1. Analisis Outlier (3)

tahun ump ump inflasi1997 Rp 172.500,- 0.00 % 11.07 %1998 Rp 198.500,- 15.07 % 74.42 %1999 Rp 231.000,- 16.37 % 1.7 %

... ... ... ...2004 Rp 671.550,- 6.33 % 5.87 %2005 Rp 819.100,- 6.00 % 16.06 %2006 Rp 900.560,- 15.07 % 6.03 %

... ... ... ...2014 Rp 2.441.000,- 10.96 % 6.15 %

1. Analisis Outlier (4)tahun ump ump inflasi rasio1997 Rp 172.500,- 0.00 % 11.07 % 01998 Rp 198.500,- 15.07 % 74.42 % 0.20251999 Rp 231.000,- 16.37 % 1.7 % 9.2486

... ... ... ... …2004 Rp 671.550,- 6.33 % 5.87 % 1.07842005 Rp 819.100,- 6.00 % 16.06 % 0.37362006 Rp 900.560,- 15.07 % 6.03 % 2.4991

... ... ... ... …2014 Rp 2.441.000,- 10.96 % 6.15 % 1.7821

2. Analisis Model Prediction (1)

Model:

= Inflasi (%) = Kenaikan UMP (%)

2. Analisis Model Prediction (2)Mencari Nilai

didapatkan dengan cara fungsi minimasi dari kuadrat jumlah selisih sumbu y dengan titik residual “residual sum of squares” (RSS), dinotasikan dengan .

Fungsi minimasi adalah turunan pertama dari . Dengan kalkulus dan aljabar, persamaan untuk gradien yaitu:

S. Weisberg, “Simple linear regression,” Appl. Linear Regression, Third Ed., no. 1994, pp. 19–46, 1985

2. Analisis Model Prediction (3)Residual Sum of Squares (RSS)

2. Analisis Model Prediction (4)Let’s Do the Math!

r in excel = PERSON(array x, array y)r in R = cor(vector x, vector y)

r = 0.3853

Sehingga:

2. Analisis Model Prediction (5)Mencari Nilai

Sehingga, model prediction

adalah:

y = 1.835x + 6.637

2. Analisis Model Prediction (6)

�̂�=

1,835𝑥+

6,637

3. Analisis Confident Interval (1)

3. Analisis Confident Interval (2)

Contoh: Berapa % kenaikan ump jika inflasi tahun ini 7%?

Proyeksi kenaikan ump jika inflasi tahun ini 7% adalah 19.482 %. Bagaimana error-nya (95% confident interval)?

3. Analisis Confident Interval (3)Let’s Do the Math (Again)!

• didapatkan dari t-table

Sehingga didapatkan, rentang 95% confident interval untuk inflasi sebesar 7% adalah sebagai berikut:

3. Analisis Confident Interval (4)Jika proyeksi dipetakan ke dalam grafis, di mana x = {0, …, n} maka:

Garis merah = Linear Model =y = 1.835x + 6.637

Area Warna Abu:95% Confident Interval

Black Dots:Plot antara Inflasi dan Kenaikan UMP

Kebutuhan Informasi 3Mikro: Households, Business Firms

“Bagaimana distribusi harga suatu komoditas?”

Analisis Algoritma – Distribusi StatistikContoh: Tabel III 13 Harga Pangan Tingkat Konsumen DKI Jakarta‑

Sampel Data: Tabel III‑13 Harga Pangan Tingkat Konsumen DKI

Jakarta

Wilayah Komoditi Harga Satuan Tanggal

Jakarta Utara Beras Kualitas Sedang Rp 11.335,- Kg 2015-03-01

Jakarta Selatan Beras Kualitas Sedang Rp 10.450,- Kg 2015-03-01

Jakarta Barat Beras Kualitas Sedang Rp 11.393,- Kg 2015-03-01

... ... ... ... ...

Jakarta Pusat Telur Rp 21.400,- Kg 2015-09-01

Number of Bins and Width

Sturges' formula1Scott's normal reference

rule2

Scott's normal reference rule is optimal for random samples, in the sense that it

minimizes the integrated mean squared error of the density estimate.

Sturges’s formula is derived from a binomial distribution and implicitly assumes an approximately normal

distribution.

[1] Sturges, H. A. (1926). "The choice of a class interval". Journal of the American Statistical Association: 65–66.[2] Scott, David W. (1979). "On optimal and data-based histograms". Biometrika 66 (3): 605–610

Tabel Distribusi

Kelas Interval Frekuensi FrekuensiRelatif

KumulatifFrekuensi

KumulatifFrekuensi

Relatif

0 - 17753.08 105 0.375 105 0.375

17753.09 - 35506.17 123 0.4393 228 0.8143

35506.18 - 53259.26 17 0.0607 245 0.875

53259.27 - 71012.35 0 0 245 0.875

71012.36 - 88765.44 0 0 245 0.875

88765.45 - 106518.50 7 0.025 252 0.9

106518.51 - 124271.60 21 0.075 273 0.975

124271.60 - 142024.70 7 0.025 280 1

Visualisasi Distribusi Statistik (1)

Visualisasi Distribusi Statistik (2)

Kebutuhan Informasi 4Mikro: Business Firms

“Seberapa besar permintaan dan penawaran terhadap komoditas?”

Analisis Algoritma – k-Means, StatistikaContoh: Tabel III 11 Volume dan Nilai Ekspor DKI Jakarta‑

Sampel Data: Tabel III‑11 Volume dan Nilai Ekspor DKI Jakarta

tahun hs komoditasVolume

(ton)Nilai

(juta USD)2011 1 Binatang Hidup 94..69 2017.792011 2 Daging Hewan 541.72 2240.812011 3 Ikan dan Udang 215824.40 634642.96

... ... ... ... …

2012 98Kendaraan

Bermotor/Komponen, Terbongkar

260.31 1753.77

The Problems with the Data

tahun hs komoditasVolume

(Ton)Nilai

(Juta USD)

2011 1 Binatang Hidup 94..69 2017.79

2011 2 Daging Hewan 541.72 2240.81

2011 3 Ikan dan Udang 215824.40 634642.96

... ... ... ... …

2012 98Kendaraan

Bermotor/Komponen, Terbongkar

260.31 1753.77

1. Too Much Details

2. Sulit Dibaca3. No Insight

How do we answer:

“Seberapa besar permintaan dan penawaran terhadap

komoditas?”

What is Clustering? Cluster analysis or simply clustering is the process of

partitioning a set of data objects (or observations) into subsets. Each subset is a cluster, such that objects in a cluster are

similar to one another, yet dissimilar to objects in other clusters.

J. Han, M. Kamber, and J. Pei, “Data Mining: Concepts and Techniques, Third Edition,” Morgan Kaufmann Publishers. p. 444-445, 2012.

Why Clustering?Clustering is useful in that it can lead to the discovery of previously unknown groups within the data. Cluster analysis can be used as a standalone tool to

gain insight into the distribution of data, to observe the characteristics of each cluster, and to focus on a particular set of clusters for further

analysis.

Alternatively, it may serve as a preprocessing step for other algorithms, such as characterization, attribute subset selection, and classification, which would then operate on the detected clusters and the selected attributes or features.


Algoritma k-Means

1. Secara acak, pilih k-centroid (titik yang akan mencadi titik tengah cluster) pada ruang d dimensi.

2. Kelompokan setiap titik ke dalam k-set centroid paling dekat.3. Perbaharui k-centroid dengan rata-rata titik k-set atau titik-titik

yang sudah dikelompokan sebelumnya.4. Ulang langkah ke-2 dan ke-3 sampai pengelompokan divergen.


Convergent vs. Divergent

http://www.thestudentroom.co.uk/showpost.php?p=23242870&postcount=9

k-Means: Plot Data

194 Observasi

Features:1. Volume2. Nilai

Kenapa Tiga Cluster?Let’s walks through it, We’ll find the answer.

Analisis Algoritma – k-Means (1)

1. Secara acak, pilih k-centroid (titik yang akan mencadi titik tengah cluster) pada ruang d dimensi.

2. Kelompokan setiap titik ke dalam k-set centroid paling dekat.

k1 sebanyak 96 observasi (49.4845 %);k2 sebanyak 86 observasi (44.329 %);k3 sebanyak 12 observasi (6.1855 %).


3. Perbaharui k-centroid dengan rata-rata titik k-set atau titik-titik yang sudah dikelompokan sebelumnya.

4. Divergent? 5. No. Ulangi Langkah 2

k1 sebanyak 163, observasi (84.0206 %);k2 sebanyak 15 observasi (7.7320 %);k3 sebanyak 12 observasi (6.1855 %).

Analisis Algoritma – k-Means (3)2. Kelompokan setiap titik ke dalam

k-set centroid paling dekat.

4. Divergent?5. No. Ulangi Langkah 2

3. Perbaharui k-centroid

k1 sebanyak 165, observasi (85.0516 %);k2 sebanyak 17 observasi (8.7628 %);k3 sebanyak 12 observasi (6.1855 %) .


2. Kelompokan setiap titik ke dalam k-set centroid paling dekat.

4. Divergent?5. Yes. Stop.

3. Perbaharui k-centroid

k1 sebanyak 165, observasi (85.0516 %);k2 sebanyak 17 observasi (8.7628 %);k3 sebanyak 12 observasi (6.1855 %).


Final result:k1(Merah) = 165 (85.05 %)k2(Hijau) = 17 (8.76 %)k3(Biru) = 12 (6.19 %)

Cluster Analysis (1)Tahun Hs Komoditas Volume Nilai k

2011 1 Binatang Hidup 94..69 2017.79 k1

2011 2 Daging Hewan 541.72 2240.81 k1

2011 3 Ikan dan Udang 215824.40 634642.96 k1

... ... ... ... … …

2011 15 Lemak & Minyak Hewan 717915.80 774358.91 k2

2011 39 Plastik dan Barang dari Plastik 989192.08 1934443.29 k2

2011 40 Karet dan Barang dari Karet 500288.98 2140778.92 k2

... … … … … …

2012 84 Mesin-mesin/Pesawat Mekanik 454058.15 4146812.82 k3

2012 85 Mesin/Peralatan Listrik 454658.75 7120360.60 k3

2012 87 Kendaraan dan Bagiannya 434593.14 4247565.77 k3

Cluster Analysis (2)k1 memiliki harga per komoditas paling rendah dibandingkan k2 dan k3.k2 memiliki harga per komoditas lebih tinggi dari k1 dan lebih rendah dari k3.k3 memiliki harga per komoditas paling tinggi dibandingkan k1 dan k2

Why Three Clusters ?!

Knowledge - Karakteristik Cluster

Berdasarkan jenis komoditas dan kesamaan tiap kelompok, jika diberikan karakteristik, k1 dapat

diberikan karakteristik “barang mentah”, k2 karakteristik “barang setengah jadi”, dan k3

karakteristik “barang jadi”.

Hasil ClusteringTahun Hs Komoditas Volume Nilai k

2011 1 Binatang Hidup 94..69 2017.79 k1

2011 2 Daging Hewan 541.72 2240.81 k1

2011 3 Ikan dan Udang 215824.40 634642.96 k1

... ... ... ... … …

2011 15 Lemak & Minyak Hewan 717915.80 774358.91 k2

2011 39 Plastik dan Barang dari Plastik 989192.08 1934443.29 k2

2011 40 Karet dan Barang dari Karet 500288.98 2140778.92 k2

... … … … … …

2012 84 Mesin-mesin/Pesawat Mekanik 454058.15 4146812.82 k3

2012 85 Mesin/Peralatan Listrik 454658.75 7120360.60 k3

2012 87 Kendaraan dan Bagiannya 434593.14 4247565.77 k3

So,is that just a coincident ?!

I don’t think so

1. Clustering lead to discovery of previously unknown groups

2. Gain insight into the data

3. Observe the characteristics of each cluster

4. Focus on a particular set of clusters for further analysis

Insight of the Data

• k1 memiliki harga per komoditas paling rendah dibandingkan k2 dan k3,.

• k2 memiliki harga per komoditas lebih tinggi dari k1 dan lebih rendah dari k3.

• k3 memiliki harga per komoditas paling tinggi dibandingkan k1 dan k3.

Pemetaan Visualisasi Data“The greatest value of a picture is when it forces us to notice what we never expected to see.” ― John Tukey

Pemetaan Visualisasi DataTime-Series Data Statistical

Distributions Maps Herarchies Networks

Indeks Chart Stem-and-Leaf Plot Flow Map Node-link Diagram Force-directed Layout

Stacked Graph Scatter Plot Chorpleth Map Adcacency Diagram Arc Diagram

Small Multiples Parallel Coordinate Graduated Symbol Map Enclosure Diagram Matrix View

Horizon Graph Q-Q Plot Cartogram

J. Heer, M. Bostock, and V. Ogievetsky, “VIISUALIZATION A Tour through the Visualization Zoo A survey of powerful visualization techniques , from the obvious to the obscure,” Commun. ACM, vol. 53, no. 5, pp. 59–67, 2010.

Time Series Visualization (1)

Small Multiple Time Series Visualization

Enclosure DiagramSmall Multiple Pie Chart

Enclosure Diagram: Stacked Graph

Enclosure Diagram: Pie Chart

Steam and Leaf:Small Multiple Distribution Chart (1)

Steam and Leaf:Small Multiple Distribution Chart (2)

Steam and Leaf: Distribution Chart

Scatter Plot: Linear Model (1)

One more thing…

Arsitektur Sistem (1): General

Arsitektur Sistem (2): Abstrak

http://sumitjaju.in/ionic-overall-architecture

Arsitektur Sistem (3): Detail

https://blog.codecentric.de/en/2014/11/ionic-angularjs-framework-on-the-rise/

Any Questions?

Thank You :)

seminar: visualisasi data interaktif data terbuka pemerintah provinsi dki jakarta topik ekonomi dan...

Data & Analytics