Intro

Jadi kali ini saya ingin mencoba package rayshader untuk 3D visualisation, berhubung kasus Covid-19 di Surabaya saat ini sangat mengkhawatirkan (zona hitam) per hari ini, maka saya coba kasus Covid-19 di Surabaya ini sebagai use case, mungkin ada manfaat yang bisa didapat nanti.

rayshader sendiri fungsi utamanya adalah membuat 3D graph terutama untuk map, topografi, kontur, render satelit dan bisa juga untuk men-translate atau membuat efek 3D pada grafik ggplot seperti yang akan saya coba kali ini.

Workflow

  • Download data, download data shp Indonesia hingga level 4 (kelurahan/desa) dan data jumlah kasus terkonfirmasi covid di Surabaya level kelurahan.
  • Preprocess data .shp dengan data Covid-19 Surabaya
  • Membuat 2D map dengan ggplot2 sebagai background untuk 3D graph
  • Membuat grafik 3D dengan rayshader

Download Data

Data shapefile atau shp Indonesia bisa didownload di website GADM, download hingga level 4 (kelurahan/desa). Untuk data kasus Covid-19 Surabaya busa dilihat di website resmi pemkot.

Preprocess data

Tahap ini agak tricky karena nama kelurahan yang terdaftar di shapefile data penulisannya beda dengan di website Covid-19 Surabaya misal Pacarkembang dan Pacar Kembang, padahal nama kelurahan ini akan digunakan untuk join id 2 data tersebut sehingga harus identik. Akhirnya, terpaksa menyamanakan penulisan nama kelurahan di data Covid-19 Surabaya dengan penulisan di shapefile secara manual.

Steps :

  • Import .rds (shapefile) level 4 data ke dalam R
    • Filter ambil kota Surabaya saja
    • Buat data frame berisi ID dan nama kelurahan dara data .rds yang sudah diimport
  • Mencari centroid data dari tiap-tiap kelurahan
  • Import data kasus covid Surabaya (yang sudah diedit manual penamaan nama Kelurahannya)
  • Merge data .rds dan kasus covid-19
    • Ubah .rds yang sudah diimport menjadi data frame dengan fortify
    • Merge data frame yang sudah didapat dengan data ID dan nama kelurahan di step 1
    • Merge data map dengan data kasus covid Surabaya (border dan centroid)
    • Replace NA dengan 0

Import Data

1
2
3
4
5
6
7
8
9

#import .rds data
library(sp)
idn_map = readRDS("/YOUR_PATH/IDN_4_sp.rds")
#filter Surabaya area only
idn_map <- idn_map[idn_map$NAME_2 == "Surabaya",] 
#create data frame of ID and Kelurahan name
idn_map_dict <- data.frame(id=sapply(slot(idn_map, "polygons"), function(x) slot(x, "ID")), 
                           Kelurahan=idn_map$NAME_4)
head(idn_map_dict)

Intro

Jadi kali ini saya ingin mencoba package rayshader untuk 3D visualisation, berhubung kasus Covid-19 di Surabaya saat ini sangat mengkhawatirkan (zona hitam) per hari ini, maka saya coba kasus Covid-19 di Surabaya ini sebagai use case, mungkin ada manfaat yang bisa didapat nanti.

rayshader sendiri fungsi utamanya adalah membuat 3D graph terutama untuk map, topografi, kontur, render satelit dan bisa juga untuk men-translate atau membuat efek 3D pada grafik ggplot seperti yang akan saya coba kali ini.

Workflow

  • Download data, download data shp Indonesia hingga level 4 (kelurahan/desa) dan data jumlah kasus terkonfirmasi covid di Surabaya level kelurahan.
  • Preprocess data .shp dengan data Covid-19 Surabaya
  • Membuat 2D map dengan ggplot2 sebagai background untuk 3D graph
  • Membuat grafik 3D dengan rayshader

Download Data

Data shapefile atau shp Indonesia bisa didownload di website GADM, download hingga level 4 (kelurahan/desa). Untuk data kasus Covid-19 Surabaya busa dilihat di website resmi pemkot.

Preprocess data

Tahap ini agak tricky karena nama kelurahan yang terdaftar di shapefile data penulisannya beda dengan di website Covid-19 Surabaya misal Pacarkembang dan Pacar Kembang, padahal nama kelurahan ini akan digunakan untuk join id 2 data tersebut sehingga harus identik. Akhirnya, terpaksa menyamanakan penulisan nama kelurahan di data Covid-19 Surabaya dengan penulisan di shapefile secara manual.

Steps :

  • Import .rds (shapefile) level 4 data ke dalam R
    • Filter ambil kota Surabaya saja
    • Buat data frame berisi ID dan nama kelurahan dara data .rds yang sudah diimport
  • Mencari centroid data dari tiap-tiap kelurahan
  • Import data kasus covid Surabaya (yang sudah diedit manual penamaan nama Kelurahannya)
  • Merge data .rds dan kasus covid-19
    • Ubah .rds yang sudah diimport menjadi data frame dengan fortify
    • Merge data frame yang sudah didapat dengan data ID dan nama kelurahan di step 1
    • Merge data map dengan data kasus covid Surabaya (border dan centroid)
    • Replace NA dengan 0

Import Data

1
2
3
4
5
6
7
8
9

#import .rds data
library(sp)
idn_map = readRDS("/YOUR_PATH/IDN_4_sp.rds")
#filter Surabaya area only
idn_map <- idn_map[idn_map$NAME_2 == "Surabaya",] 
#create data frame of ID and Kelurahan name
idn_map_dict <- data.frame(id=sapply(slot(idn_map, "polygons"), function(x) slot(x, "ID")), 
                           Kelurahan=idn_map$NAME_4)
head(idn_map_dict)

Intro

Jadi kali ini saya ingin mencoba package rayshader untuk 3D visualisation, berhubung kasus Covid-19 di Surabaya saat ini sangat mengkhawatirkan (zona hitam) per hari ini, maka saya coba kasus Covid-19 di Surabaya ini sebagai use case, mungkin ada manfaat yang bisa didapat nanti.

rayshader sendiri fungsi utamanya adalah membuat 3D graph terutama untuk map, topografi, kontur, render satelit dan bisa juga untuk men-translate atau membuat efek 3D pada grafik ggplot seperti yang akan saya coba kali ini.

Workflow

  • Download data, download data shp Indonesia hingga level 4 (kelurahan/desa) dan data jumlah kasus terkonfirmasi covid di Surabaya level kelurahan.
  • Preprocess data .shp dengan data Covid-19 Surabaya
  • Membuat 2D map dengan ggplot2 sebagai background untuk 3D graph
  • Membuat grafik 3D dengan rayshader

Download Data

Data shapefile atau shp Indonesia bisa didownload di website GADM, download hingga level 4 (kelurahan/desa). Untuk data kasus Covid-19 Surabaya busa dilihat di website resmi pemkot.

Preprocess data

Tahap ini agak tricky karena nama kelurahan yang terdaftar di shapefile data penulisannya beda dengan di website Covid-19 Surabaya misal Pacarkembang dan Pacar Kembang, padahal nama kelurahan ini akan digunakan untuk join id 2 data tersebut sehingga harus identik. Akhirnya, terpaksa menyamanakan penulisan nama kelurahan di data Covid-19 Surabaya dengan penulisan di shapefile secara manual.

Steps :

  • Import .rds (shapefile) level 4 data ke dalam R
    • Filter ambil kota Surabaya saja
    • Buat data frame berisi ID dan nama kelurahan dara data .rds yang sudah diimport
  • Mencari centroid data dari tiap-tiap kelurahan
  • Import data kasus covid Surabaya (yang sudah diedit manual penamaan nama Kelurahannya)
  • Merge data .rds dan kasus covid-19
    • Ubah .rds yang sudah diimport menjadi data frame dengan fortify
    • Merge data frame yang sudah didapat dengan data ID dan nama kelurahan di step 1
    • Merge data map dengan data kasus covid Surabaya (border dan centroid)
    • Replace NA dengan 0

Import Data

1
2
3
4
5
6
7
8
9

#import .rds data
library(sp)
idn_map = readRDS("/YOUR_PATH/IDN_4_sp.rds")
#filter Surabaya area only
idn_map <- idn_map[idn_map$NAME_2 == "Surabaya",] 
#create data frame of ID and Kelurahan name
idn_map_dict <- data.frame(id=sapply(slot(idn_map, "polygons"), function(x) slot(x, "ID")), 
                           Kelurahan=idn_map$NAME_4)
head(idn_map_dict)

Get Centroid

Ini tahap yang critical dalam membuat visualisasi 3D. kegunaan centroid point adalah untuk 3D bar akan berada nantinya. Data shapefile adalah data batas-batas antar wilayah, sehingga titik-titiknya berada di setiap batas wilayah (border), sedangkan centroid adalah titik tengah dari wilayah tersebut. Data centroid sudah tersedia saat kita import .rds file. Cara mendapatkannya adalah:

1
2
3
4
5
6
7
8
9

library(rgeos)
library(dplyr)
centroid <- SpatialPointsDataFrame(gCentroid(idn_map, byid=TRUE), 
                                      idn_map@data, match.ID=FALSE)
centroid_df <- data.frame(centroid)
centroid_df <- data.frame(Kelurahan=centroid_df$NAME_4, lat=centroid_df$x, long=centroid_df$y)
centroid_id_map <- left_join(centroid_df, idn_map_dict, by="Kelurahan")
centroid_id_map$Kelurahan <- as.character(centroid_id_map$Kelurahan)
head(centroid_id_map)

1
2
3
4
5
6
7

##       Kelurahan      lat      long     id
## 1      Asemrowo 112.7038 -7.244670 320532
## 2       Genting 112.7085 -7.238667 320531
## 3        Greges 112.6850 -7.239921 320411
## 4      Kalianak 112.6969 -7.227247 320417
## 5 Tambak Langon 112.6694 -7.230947 320407
## 6     Kandangan 112.6507 -7.246314 320560

Import data kasus Covid-19 Surabaya

1
2
3
4
5

#import data covid-19 cases at Surabaya
covid_sby <- read.csv('/YOUR_PATH/covid_sby.csv')
covid_sby <- covid_sby[,c("Kelurahan","KUMULATIF.KONFIRMASI")]
covid_sby$Kelurahan <- gsub("Kelurahan ", "", covid_sby$Kelurahan)
head(covid_sby)

Merge data

Ubah idn_map menjadi data frame dengan function fortify dari ggplot2. Merge dengan idn_map_dict yang dibuat di step 1. Guananya untuk menambahkan nama kelurahan ke data hasil fortify-ing.

1
2
3
4
5

library(ggplot2)
idn_map_df <- fortify(idn_map)
idn_map_df <- merge(idn_map_df,idn_map_dict, by = "id")
idn_map_df$Kelurahan <- as.character(idn_map_df$Kelurahan)
head(idn_map_df)

1
2
3
4
5
6
7

##       id     long       lat order  hole piece    group    Kelurahan
## 1 320022 112.6267 -7.219698     1 FALSE     1 320022.1 Romokalisari
## 2 320022 112.6268 -7.219243     2 FALSE     1 320022.1 Romokalisari
## 3 320022 112.6269 -7.218642     3 FALSE     1 320022.1 Romokalisari
## 4 320022 112.6270 -7.218376     4 FALSE     1 320022.1 Romokalisari
## 5 320022 112.6270 -7.218278     5 FALSE     1 320022.1 Romokalisari
## 6 320022 112.6271 -7.218069     6 FALSE     1 320022.1 Romokalisari

Merge data map dengan data covid_sby (border map)

1
2
3

library(dplyr)
map_data <- left_join(idn_map_df, covid_sby, by = "Kelurahan")
map_data[is.na(map_data)] <- 0

Merge data centroid dengan data covid_sby (centroid map)

1
2

centroid_map_data <- inner_join(centroid_id_map, covid_sby, by = "Kelurahan")
centroid_map_data[is.na(centroid_map_data)] <- 0

Membuat 2D Map

Membuat 2D map dengan 1ggplot2` yang akan digunakan sebagai background dari 3D map.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

library(ggplot2)
# Map
map_bg = ggplot(map_data, aes(long, lat, group=group, fill = KUMULATIF.KONFIRMASI)) +
  geom_polygon() + # Shape
  scale_fill_gradient(limits=range(map_data$KUMULATIF.KONFIRMASI), 
                      low="#FFF3B0", high="#E09F3E") + 
  layer(geom="path", stat="identity", position="identity", 
       mapping=aes(x=long, y=lat, group=group, 
                   color=I('#FFFFFF'))) + 
  theme(legend.position = "none", 
        axis.line=element_blank(), 
        axis.text.x=element_blank(), axis.title.x=element_blank(),
        axis.text.y=element_blank(), axis.title.y=element_blank(),
        axis.ticks=element_blank(), 
        panel.background = element_blank()) # Clean Everything
map_bg

Save map as PNG

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

# 2D Plot
library(grid)
library(png)
sby_map_bg <- readPNG('map_2D.png')
covid_sby_map = ggplot(centroid_map_data) + 
  annotation_custom(rasterGrob(sby_map_bg, width=unit(1,"npc"), 
                               height=unit(1,"npc")), 
                    -Inf, Inf, -Inf, Inf) + 
  xlim(xlim[1],xlim[2]) + # x-axis Mapping
  ylim(ylim[1],ylim[2]) + # y-axis Mapping
  geom_point(aes(x=lat, y=long, color=KUMULATIF.KONFIRMASI),size=2) + 
  scale_colour_gradient(name = 'Confirmed Cases', 
                        limits=range(centroid_map_data$KUMULATIF.KONFIRMASI), 
                        low="#FCB9B2", high="#B23A48") +
  ggtitle("Kasus Covid-19 Perkelurahan di Surabaya per 6 Juni 2020") +
  labs(caption = "Source data : lawancovid-19.surabaya.go.id \nGraph by : idrusfachr.netlify.com") +
  theme(axis.line=element_blank(), 
        axis.text.x=element_blank(), axis.title.x=element_blank(),
        axis.text.y=element_blank(), axis.title.y=element_blank(),
        axis.ticks=element_blank(), 
        panel.background = element_blank()) # Clean Everything
covid_sby_map

Kegunaan data centroid yang dibuat sebelumnya adalah untuk menampilkan point merah seperti di map diatas.

Membuat 3D map

1
2
3
4
5
6

# 3D Plot
library(rayshader)
plot_gg(covid_sby_map, multicore = TRUE, width=5,height=7,scale=300,windowsize=c(1600,1000),
       zoom = 0.55, phi = 30) 

render_snapshot(clear = TRUE)

Render Video

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

library(rgl)
par3d(windowRect = c(0, 0, diff(xlim) * 2500, diff(ylim) * 2500))

# Render Image
#render_camera(fov = 70, zoom = 0.2, theta = 30, phi = 20)
#render_depth(focus = 0.8, focallength = 600)

# Render Video
phivechalf = 30 + 60 * 1/(1 + exp(seq(-7, 20, length.out = 180)/2))
phivecfull = c(phivechalf, rev(phivechalf))
thetavec = 0 + 45 * sin(seq(0,359,length.out = 360) * pi/180)
zoomvec = 0.45 + 0.2 * 1/(1 + exp(seq(-5, 20, length.out = 180)))
zoomvecfull = c(zoomvec, rev(zoomvec))
render_movie(filename = 'map_video', type = "custom", frames = 360,  phi = phivecfull, zoom = zoomvecfull, theta = thetavec)

rgl.close()

Refferences :