Skip to main content

Tugas praktik: Visualisasi data

Python for Data Science — materi visualisasi & data storytelling (DS-05)

Penulis

Anggit Wirasto, S.Si., M.Eng.

Petunjuk umum

Kerjakan tugas ini di Jupyter Notebook (lokal) atau Google Colab. Laporan akhir berupa berkas PDF yang diekspor dari notebook, lalu unggah ke SCALSA sesuai tenggat dosen.

Rujukan materi: Visualisasi data — slide.

Yang dinilai: kelengkapan bagian, kejelasan narasi (storytelling), pemilihan grafik yang selaras dengan pertanyaan analitik, kode yang jalan, kualitas visual (label, judul, skala wajar), serta kepatuhan format pengumpulan.


Identitas (isi di notebook Anda)

Di cell Markdown paling atas notebook, tulis:

  • Nama lengkap dan NIM
  • Kelas / rombel
  • Tanggal pengerjaan
  • Lingkungan: Jupyter lokal / Google Colab
  • Dataset yang dipakai (nama dan sumber)

Persiapan lingkungan

Jupyter lokal

python -m venv .venv
# Windows: .venv\Scripts\activate
# macOS/Linux: source .venv/bin/activate
pip install jupyter pandas numpy matplotlib seaborn plotly ipykernel

Lingkungan lain (Conda / Mamba / Micromamba): jika tidak memakai venv, Anda boleh membuat environment terpisah dengan conda atau turunannya (mamba, micromamba). Contoh:

conda create -n materi-ds python=3.12 -y
conda activate materi-ds
pip install jupyter pandas numpy matplotlib seaborn plotly ipykernel

Ganti nama materi-ds sesuai kebiasaan Anda. Di Windows, conda activate biasanya dijalankan dari Anaconda Prompt atau terminal yang sudah diinisialisasi conda. Setelah paket terpasang, daftarkan kernel ke Jupyter bila perlu: python -m ipykernel install --user --name=materi-ds --display-name="Python (materi-ds)".

Buka notebook baru, pastikan kernel memakai environment tempat paket terpasang (.venv atau conda).

Google Colab

Di cell pertama, biasanya cukup:

!pip install -q seaborn plotly

Dataset

Pilih satu dataset berikut (jangan ganti di tengah pengerjaan):

Pilihan Cara memuat (contoh)
A sns.load_dataset("tips")
B sns.load_dataset("diamonds") — untuk latihan komposisi/agregasi, boleh sample misalnya df.sample(3000, random_state=42) agar notebook ringan
C Dataset tabular lain publik (Kaggle / OpenML / repositori resmi) — cantumkan URL sumber di identitas

Pengumpulan: PDF dan SCALSA

  1. Selesaikan seluruh bagian di bawah dalam satu notebook (urut, beri heading Markdown per bagian).
  2. Periksa bahwa semua cell sudah di-Run dan output (grafik, teks) tampil.
  3. Ekspor ke PDF:
    • Jupyter Notebook / JupyterLab: menu File → Save and Export Notebook As → PDF (jika opsi ada), atau gunakan nbconvert dari terminal:
      jupyter nbconvert --to pdf nama_notebook.ipynb
      (membutuhkan LaTeX/pdflatex terpasang di komputer Anda), atau cetak dari browser Print → Save as PDF setelah notebook dibuka lewat Jupyter nbconvert –to html lalu buka HTML di browser.
    • Google Colab: File → Print → pilih Save as PDF / Microsoft Print to PDF; pastikan pratinjau memuat grafik (scroll sampai bawah).
  4. Nama berkas PDF: NIM_Nama_DS05_Visualisasi.pdf (sesuaikan jika dosen menetapkan format lain).
  5. Unggah berkas PDF ke SCALSA pada slot tugas yang ditentukan, sebelum tenggat.

Bagian 1 — Data storytelling (narasi)

Tujuan: melatih konteks, fokus, bukti, dan tindakan.

Tugas: tulis setidaknya 3 paragraf pendek (Markdown) yang menjawab:

  1. Konteks: apa domain datanya, siapa audiens yang Anda bayangkan (misalnya manajer restoran, analis ritel), dan metrik apa yang relevan.
  2. Pesan utama: satu insight yang ingin Anda sampaikan dari dataset ini (boleh hipotesis awal).
  3. Tindakan / pertanyaan lanjutan: apa yang bisa dilakukan pemangku kepentingan, atau pertanyaan analitik lanjutan.

Template (salin ke notebook, lalu ganti isi):

## Bagian 1 — Data storytelling

### Konteks
(Tulis di sini.)

### Pesan utama
(Tulis di sini.)

### Tindakan atau pertanyaan lanjutan
(Tulis di sini.)

Bagian 2 — Rencana visual (distribusi, relasi, komposisi)

Tujuan: memetakan pertanyaan analitik ke jenis grafik yang sesuai (materi slide: distribusi, relasi, komposisi; plus perbandingan kategori bila perlu).

Tugas: buat tabel Markdown minimal 5 baris dengan kolom:

Pertanyaan analitik | Jenis grafik yang dipilih | Termasuk kategori: distribusi / relasi / komposisi / perbandingan kategori | Alasan singkat memilih grafik itu |

Template:

## Bagian 2 — Rencana visual

| Pertanyaan analitik | Grafik | Kategori | Alasan |
| --- | --- | --- | --- |
| ... | ... | distribusi | ... |
| ... | ... | relasi | ... |
| ... | ... | komposisi | ... |
| ... | ... | perbandingan kategori | ... |
| ... | ... | ... | ... |

Bagian 3 — EDA dengan Matplotlib & Seaborn

Tujuan: mengeksekusi EDA dengan grafik statis seperti pada materi.

Tugas: dalam cell kode terpisah, buat tepat empat visual berikut (satu plot per cell atau satu cell dengan empat subplot—jelaskan di Markdown jika digabung):

  1. Scatter plot — dua variabel numerik; beri warna atau bentuk berbeda untuk satu variabel kategori jika ada.
  2. Bar chart — agregasi per kategori (misalnya rata-rata atau jumlah); sumbu-Y dimulai dari 0.
  3. Histogram — salah satu variabel numerik; boleh sertakan KDE (kde=True pada histplot jika memakai Seaborn).
  4. Boxplot — satu variabel numerik per grup kategori.

Setiap plot wajib punya judul dan label sumbu yang bermakna (bukan hanya nama kolom mentah).

Template awal (sesuaikan nama kolom dengan dataset Anda):

## Bagian 3 — EDA
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

sns.set_theme(style="whitegrid", context="notebook")

# Contoh muat data — ganti sesuai pilihan Anda
df = sns.load_dataset("tips")
# df = pd.read_csv("...")

# 3.1 Scatter
# ...

# 3.2 Bar (agregasi)
# ...

# 3.3 Histogram (+ KDE opsional)
# ...

# 3.4 Boxplot
# ...

Cell Markdown setelah grafik: untuk minimal dua plot, tulis satu kalimat interpretasi each (apa pola yang terlihat).


Bagian 4 — Visualisasi interaktif (Plotly)

Tujuan: mengenal visual yang bisa di-hover / dijelajahi di notebook.

Tugas: buat minimal satu figure Plotly (disarankan plotly.express) dengan minimal tiga encoding visual (misalnya x, y, color); sertakan judul. Tampilkan di notebook (fig.show() di Colab/Jupyter).

Template:

## Bagian 4 — Plotly
import plotly.express as px

# fig = px....(data_frame=df, ...)
# fig.update_layout(title="...")
# fig.show()

Cell Markdown: jelaskan satu keuntungan interaktif dibanding grafik statis untuk pertanyaan Anda.


Bagian 5 — Dasbor (konsep + cuplikan kode)

Tujuan: mengaitkan materi dasbor sederhana dengan pelaporan wawasan.

Tugas (pilih satu jalur):

  • Jalur A — Streamlit atau Dash: tulis di notebook cuplikan kode (minimal 10 baris, boleh tidak dijalankan di Colab) yang menggambarkan layout dasbor: judul, satu widget filter, dan satu grafik (Plotly atau Seaborn/Matplotlib lewat st.pyplot jika Streamlit). Di Markdown, jelaskan 3 KPI yang akan ditampilkan di dasbor nyata.
  • Jalur B — hanya Colab / tanpa server lokal: jelaskan di Markdown wireframe dasbor (komponen apa saja), 3 KPI, dan lampirkan pseudokode atau cuplikan Streamlit/Dash seperti Jalur A tanpa wajib menjalankan aplikasi web.

Template Markdown (isi):

## Bagian 5 — Dasbor

### KPI yang dipantau
1. ...
2. ...
3. ...

### Komponen dasbor
- ...
- ...

### Cuplikan kode (Streamlit atau Dash)
(Lampirkan di cell code di bawah.)
# Contoh kerangka Streamlit (ilustrasi — sesuaikan)
# import streamlit as st
# st.title("...")
# ...

Checklist sebelum mengunggah


Catatan dosen

Tugas ini menyatukan storytelling, pemilihan grafik, EDA (Matplotlib/Seaborn), Plotly, dan konsep dasbor. Jika ada ketidakjelasan, tanyakan di forum/kelas sebelum tenggat.