📘 Pertemuan 15

Setelah pertemuan ini, mahasiswa diharapkan mampu:

• Mengintegrasikan seluruh kemampuan analisis data
• Bekerja dalam kelompok untuk menyelesaikan proyek data
• Melakukan analisis lengkap dari pembersihan hingga interpretasi
• Mempresentasikan hasil analisis secara profesional
• Berpikir kritis terhadap data nyata

Alur Kerja Proyek Mini:

Contoh Dataset yang Bisa Digunakan:

Contoh Implementasi Proyek:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px

# Load dataset (contoh: E-Commerce)
df = pd.read_csv('ecommerce_data.csv')
print(df.head())
print(df.info())

# Cek missing values
print(df.isnull().sum())

# Handle missing values
df['Age'].fillna(df['Age'].median(), inplace=True)
df.dropna(subset=['Customer_ID'], inplace=True)

# Remove duplicates
df = df.drop_duplicates()

# Format kolom tanggal
df['Purchase_Date'] = pd.to_datetime(df['Purchase_Date'])

print(f"Data setelah cleaning: {df.shape}")

# Statistik deskriptif
print(df.describe())

# Analisis per kategori
category_sales = df.groupby('Category')['Sales'].sum().sort_values(ascending=False)
print(category_sales)

# Korelasi antar variabel numerik
correlation = df[['Age', 'Sales', 'Quantity']].corr()
print(correlation)

# Visualisasi dengan Seaborn
fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# Distribusi Penjualan
sns.histplot(df['Sales'], kde=True, ax=axes[0,0], color='skyblue')
axes[0,0].set_title('Distribusi Penjualan')

# Top 10 Produk
top_products = df.groupby('Product')['Sales'].sum().nlargest(10)
top_products.plot(kind='barh', ax=axes[0,1], color='coral')
axes[0,1].set_title('Top 10 Produk Terlaris')

# Penjualan per Kategori
category_sales.plot(kind='pie', ax=axes[1,0], autopct='%1.1f%%')
axes[1,0].set_title('Proporsi Penjualan per Kategori')

# Trend Penjualan Bulanan
monthly_sales = df.groupby(df['Purchase_Date'].dt.to_period('M'))['Sales'].sum()
monthly_sales.plot(ax=axes[1,1], marker='o', color='green')
axes[1,1].set_title('Trend Penjualan Bulanan')

plt.tight_layout()
plt.show()

# Visualisasi interaktif dengan Plotly
fig = px.scatter(df, x='Age', y='Sales', color='Category', 
                 size='Quantity', hover_data=['Product'],
                 title='Analisis Penjualan berdasarkan Usia dan Kategori')
fig.show()

# Kesimpulan berdasarkan analisis
insights = """
KESIMPULAN ANALISIS E-COMMERCE:

1. Produk Terlaris:
   - Produk kategori Elektronik mendominasi penjualan (45%)
   - Top 3 produk: Laptop, Smartphone, Tablet

2. Demografi Pelanggan:
   - Rentang usia 25-35 tahun adalah pembeli terbanyak
   - Rata-rata transaksi: Rp 500.000

3. Trend Penjualan:
   - Penjualan meningkat 20% pada bulan 11-12 (periode promo)
   - Penurunan di bulan 2-3 (pasca hari raya)

4. Rekomendasi:
   - Fokus marketing pada segmen usia 25-35 tahun
   - Tingkatkan stok elektronik menjelang akhir tahun
   - Buat program loyalitas untuk meningkatkan repeat purchase
"""
print(insights)

Struktur Presentasi (15-20 menit):

1. Pendahuluan (2 menit)
   • Perkenalan tim
   • Latar belakang masalah
   • Tujuan analisis
2. Dataset & Metodologi (3 menit)
   • Sumber dan deskripsi dataset
   • Metode pembersihan data
   • Tools yang digunakan
3. Hasil Analisis (8 menit)
   • Temuan statistik utama
   • Visualisasi data penting
   • Pola dan trend yang ditemukan
4. Kesimpulan & Rekomendasi (5 menit)
   • Insight utama
   • Rekomendasi actionable
   • Limitasi analisis
5. Q&A (5 menit)
   • Tanya jawab dengan audiens

Rubrik Penilaian Proyek Mini: