Analisis Data Kesehatan Dengan Python Dan SpreadSheet (Intro)

Analisis Data : Pengenalan Dasar

Analisis data merupakan proses penting dalam pengolahan informasi untuk menghasilkan wawasan yang dapat diandalkan. Dalam dunia yang dipenuhi oleh data dari berbagai sumber, kemampuan untuk menganalisis data dengan tepat menjadi kunci keberhasilan di berbagai bidang, termasuk bisnis, kesehatan, pendidikan, dan pemerintahan.

Pada dasarnya, analisis data melibatkan beberapa langkah utama: pengumpulan data, pembersihan data, eksplorasi data, pemodelan data, dan interpretasi hasil. Setiap langkah memiliki peran penting dalam memastikan bahwa hasil analisis akurat dan dapat diandalkan.

Materi Power Point :

Datasets Untuk Latihan :

Pengumpulan Data

Pengumpulan data adalah tahap pertama dalam analisis data. Data dapat diperoleh dari berbagai sumber, seperti survei, sensor, basis data, dan media sosial. Penting untuk memastikan bahwa data yang dikumpulkan relevan dan berkualitas tinggi. Metode pengumpulan data yang baik akan meminimalkan bias dan memastikan representasi yang akurat dari populasi atau fenomena yang diteliti.

Pembersihan Data

Setelah data dikumpulkan, langkah berikutnya adalah pembersihan data. Tahap ini melibatkan identifikasi dan perbaikan kesalahan dalam data, seperti duplikasi, nilai yang hilang, atau anomali. Data yang tidak bersih dapat menyebabkan hasil analisis yang menyesatkan. Oleh karena itu, pembersihan data adalah langkah krusial yang tidak boleh diabaikan.

Eksplorasi Data

Eksplorasi data melibatkan penggunaan teknik statistik dan visualisasi untuk memahami pola dan tren dalam data. Pada tahap ini, analisis deskriptif digunakan untuk menggambarkan karakteristik dasar data, seperti distribusi, ukuran tengah, dan variabilitas. Visualisasi data, seperti grafik dan diagram, membantu dalam mengidentifikasi hubungan antar variabel dan mendeteksi anomali.

Data Science dan Penerapannya

Data science adalah bidang yang menggabungkan berbagai disiplin ilmu, termasuk matematika, statistik, ilmu komputer, dan domain pengetahuan tertentu, untuk mengekstraksi wawasan dan pengetahuan dari data. Data science lebih dari sekedar analisis data; ini melibatkan pengembangan model prediktif dan preskriptif yang dapat digunakan untuk pengambilan keputusan yang lebih baik.

Pemodelan Data

Pemodelan data adalah proses membangun representasi matematis dari hubungan antar variabel dalam data. Dalam data science, terdapat berbagai jenis model yang dapat digunakan, seperti regresi, klasifikasi, clustering, dan jaringan saraf. Pemilihan model yang tepat tergantung pada tujuan analisis dan karakteristik data yang digunakan.

Machine Learning

Machine learning adalah sub-bidang data science yang berfokus pada pengembangan algoritma yang memungkinkan komputer untuk belajar dari data dan membuat prediksi atau keputusan tanpa diprogram secara eksplisit. Terdapat dua jenis utama machine learning: supervised learning dan unsupervised learning. Supervised learning melibatkan penggunaan data berlabel untuk melatih model, sedangkan unsupervised learning menggunakan data tidak berlabel untuk menemukan pola dalam data.

Implementasi Data Science dalam Berbagai Industri

Data science memiliki aplikasi yang luas dalam berbagai industri. Di bidang kesehatan, data science digunakan untuk menganalisis data pasien, mengidentifikasi pola penyakit, dan mengembangkan model prediktif untuk diagnosis dan perawatan. Di industri keuangan, data science digunakan untuk mendeteksi penipuan, menganalisis risiko, dan mengoptimalkan portofolio investasi. Dalam pemasaran, data science membantu perusahaan memahami perilaku konsumen dan mengembangkan strategi pemasaran yang lebih efektif.

Tantangan dan Peluang dalam Analisis Data dan Data Science

Tantangan

Meskipun analisis data dan data science menawarkan banyak manfaat, terdapat beberapa tantangan yang perlu diatasi. Salah satu tantangan utama adalah kualitas data. Data yang tidak lengkap, tidak akurat, atau bias dapat menyebabkan hasil analisis yang menyesatkan. Selain itu, kompleksitas data juga menjadi tantangan, terutama ketika berhadapan dengan data besar yang memerlukan pemrosesan dan penyimpanan yang efisien.

Tantangan lainnya adalah masalah privasi dan keamanan data. Dalam era digital, data pribadi sering dikumpulkan dan dianalisis, sehingga penting untuk memastikan bahwa data tersebut dilindungi dari akses yang tidak sah dan digunakan sesuai dengan regulasi yang berlaku.

Peluang

Di sisi lain, analisis data dan data science juga menawarkan banyak peluang. Perkembangan teknologi, seperti big data dan cloud computing, memungkinkan pengolahan dan analisis data dalam skala besar dengan biaya yang lebih rendah. Selain itu, kemajuan dalam algoritma machine learning dan kecerdasan buatan membuka peluang untuk pengembangan solusi yang lebih canggih dan akurat.

Kesimpulannya, analisis data dan data science merupakan bidang yang sangat dinamis dan terus berkembang. Dengan memahami dan mengatasi tantangan yang ada, serta memanfaatkan peluang yang ditawarkan, kita dapat menggunakan kekuatan data untuk membuat keputusan yang lebih baik dan menciptakan nilai tambah di berbagai sektor.

Contoh Penerapan Analisis Data Dan Data Science Dalam Bidang Kesehatan

Analisis data dan data science di bidang kesehatan memainkan peran penting dalam meningkatkan kualitas perawatan pasien, efisiensi operasional, dan penemuan medis. Dengan memanfaatkan teknik analisis data yang canggih dan algoritma machine learning, data science dapat membantu dalam memprediksi penyakit, mengidentifikasi pola epidemiologi, dan mempercepat pengembangan obat baru. Contoh penerapan analisis data di bidang kesehatan termasuk prediksi risiko penyakit kronis seperti diabetes dan penyakit jantung melalui analisis data pasien, pengoptimalan jadwal rawat inap dan penggunaan sumber daya rumah sakit, serta personalisasi perawatan pasien berdasarkan analisis genomik. Dengan demikian, data science membantu dalam membuat keputusan medis yang lebih baik, mengurangi biaya perawatan, dan meningkatkan hasil kesehatan secara keseluruhan.

Rumus SpreadSheet

SUM

Menghitung jumlah total dari nilai-nilai dalam rentang sel.

=SUM(A1:A5)

AVERAGE

Menghitung rata-rata dari nilai-nilai dalam rentang sel.

=AVERAGE(A1:A5)

COUNT

Menghitung jumlah sel yang berisi angka dalam rentang sel.

=COUNT(A1:A5)

COUNTA

Menghitung jumlah sel yang tidak kosong dalam rentang sel.

=COUNTA(A1:A5)

IF

Mengembalikan satu nilai jika kondisi benar dan nilai lain jika kondisi salah.

=IF(A1>10, "Ya", "Tidak")

SUMIF

Menjumlahkan nilai dalam rentang sel yang memenuhi kriteria tertentu.

=SUMIF(A1:A5, ">10")

AVERAGEIF

Menghitung rata-rata dari nilai-nilai dalam rentang sel yang memenuhi kriteria tertentu.

=AVERAGEIF(A1:A5, ">10")

COUNTIF

Menghitung jumlah sel dalam rentang yang memenuhi kriteria tertentu.

=COUNTIF(A1:A5, ">10")

VLOOKUP

Mencari nilai dalam kolom pertama tabel dan mengembalikan nilai dari kolom yang ditentukan.

=VLOOKUP("Kunci", A1:B5, 2, FALSE)

HLOOKUP

Mencari nilai dalam baris pertama tabel dan mengembalikan nilai dari baris yang ditentukan.

=HLOOKUP("Kunci", A1:E2, 2, FALSE)

INDEX

Mengembalikan nilai dari sel pada posisi yang ditentukan dalam rentang sel.

=INDEX(A1:C3, 2, 3)

MATCH

Mencari posisi relatif dari nilai dalam rentang sel.

=MATCH("Kunci", A1:A5, 0)

QUERY

Mengambil data berdasarkan kriteria tertentu menggunakan sintaks SQL-like.

=QUERY(A1:C5, "SELECT A, B WHERE C > 10", 1)

IMPORTRANGE

Mengimpor data dari spreadsheet lain.

=IMPORTRANGE("URL_SHEET_LAIN", "Sheet1!A1:B10")

ARRAYFORMULA

Menerapkan formula ke seluruh rentang sel.

=ARRAYFORMULA(A1:A5 * B1:B5)

FILTER

Menyaring data berdasarkan kriteria tertentu.

=FILTER(A1:A10, B1:B10 > 10)

SORT

Mengurutkan data dalam rentang sel.

=SORT(A1:B10, 2, TRUE)

UNIQUE

Mengambil nilai unik dari rentang sel.

=UNIQUE(A1:A10)

SPLIT

Membagi teks dalam sel berdasarkan delimiter tertentu.

=SPLIT(A1, ",")

JOIN

Menggabungkan teks dari beberapa sel menjadi satu sel.

=JOIN(", ", A1:A5)

Dasar-dasar bahasa python

Mencetak ke Konsol

print("Hello, World!")

Variabel dan Tipe Data

name = "Alice"
age = 25
height = 5.6  # float
is_student = True  # boolean

Operasi Matematika

x = 10
y = 3
print(x + y)  # Penjumlahan
print(x - y)  # Pengurangan
print(x * y)  # Perkalian
print(x / y)  # Pembagian
print(x % y)  # Modulus
print(x ** y)  # Eksponensial (pangkat)

Kondisi if-elif-else

age = 18
if age < 18:
    print("Belum cukup umur.")
elif age == 18:
    print("Sudah cukup umur!")
else:
    print("Lebih dari cukup umur.")

Loop for

for i in range(5):
    print(i)

Loop while

count = 0
while count < 5:
    print(count)
    count += 1

List

fruits = ["apple", "banana", "cherry"]
print(fruits[0])  # Mengakses elemen pertama
fruits.append("orange")  # Menambah elemen ke dalam list
print(fruits)

Tuple

point = (10, 20)
print(point[0])  # Mengakses elemen pertama

Dictionary

student = {"name": "Alice", "age": 25, "grade": "A"}
print(student["name"])  # Mengakses nilai berdasarkan kunci
student["age"] = 26  # Mengubah nilai

Fungsi

def greet(name):
    return f"Hello, {name}!"

print(greet("Bob"))

Fungsi dengan Nilai Default

def greet(name="Guest"):
    return f"Hello, {name}!"

print(greet())  # Akan menggunakan nilai default
print(greet("Bob"))

Fungsi Lambda

square = lambda x: x ** 2
print(square(5))

List Comprehension

numbers = [1, 2, 3, 4, 5]
squares = [x ** 2 for x in numbers]
print(squares)

Handling Exception dengan try-except

try:
    result = 10 / 0
except ZeroDivisionError:
    print("Tidak bisa membagi dengan nol!")

Mengimpor Modul

import math
print(math.sqrt(16))  # Akar kuadrat dari 16

Mengimpor Fungsi Spesifik dari Modul

from math import sqrt
print(sqrt(25))  # Akar kuadrat dari 25

Class dan Object

class Dog:
    def __init__(self, name, age):
        self.name = name
        self.age = age

    def bark(self):
        return f"{self.name} says woof!"

my_dog = Dog("Rex", 5)
print(my_dog.bark())

Inheritance

class Animal:
    def __init__(self, name):
        self.name = name

    def speak(self):
        return "Some sound"

class Dog(Animal):
    def speak(self):
        return f"{self.name} barks!"

my_dog = Dog("Rex")
print(my_dog.speak())

File Handling (Membaca File)

with open("example.txt", "r") as file:
    content = file.read()
    print(content)

File Handling (Menulis File)

with open("example.txt", "w") as file:
    file.write("Hello, World!")

Penggunaan Fungsi Pada Pandas Python

pd.read_csv()

Membaca file CSV dan mengembalikan DataFrame.

import pandas as pd

df = pd.read_csv('file.csv')
print(df)

pd.DataFrame()

Membuat DataFrame dari berbagai jenis data seperti dictionary.

data = {'Nama': ['A', 'B', 'C'], 'Umur': [25, 30, 35]}
df = pd.DataFrame(data)
print(df)

df.head()

Menampilkan beberapa baris pertama DataFrame.

print(df.head())

df.tail()

Menampilkan beberapa baris terakhir DataFrame.

print(df.tail())

df.info()

Menampilkan informasi ringkas tentang DataFrame.

print(df.info())

df.describe()

Menghasilkan statistik deskriptif dari DataFrame.

print(df.describe())

df.columns

Mengakses nama-nama kolom DataFrame.

print(df.columns)

df.index

Mengakses index dari DataFrame.

print(df.index)

df.shape

Mengakses dimensi DataFrame (jumlah baris dan kolom).

print(df.shape)

df.dtypes

Mengakses tipe data dari masing-masing kolom.

print(df.dtypes)

df.isnull()

Mengidentifikasi sel-sel yang memiliki nilai null.

print(df.isnull())

df.dropna()

Menghapus baris yang mengandung nilai null.

df_clean = df.dropna()
print(df_clean)

df.fillna()

Mengisi nilai null dengan nilai tertentu.

df_filled = df.fillna(0)
print(df_filled)

df.drop()

Menghapus kolom atau baris dari DataFrame.

df_dropped = df.drop(['Kolom1', 'Kolom2'], axis=1)
print(df_dropped)

df.rename()

Mengganti nama kolom atau index.

df_renamed = df.rename(columns={'NamaLama': 'NamaBaru'})
print(df_renamed)

df.set_index()

Menetapkan kolom tertentu sebagai index.

df_indexed = df.set_index('Nama')
print(df_indexed)

df.reset_index()

Mengembalikan index ke default dan menambahkan index lama sebagai kolom.

df_reset = df_indexed.reset_index()
print(df_reset)

df.sort_values()

Mengurutkan DataFrame berdasarkan kolom tertentu.

df_sorted = df.sort_values(by='Umur')
print(df_sorted)

df.loc[]

Mengakses baris dan kolom berdasarkan label.

print(df.loc[0, 'Nama'])

df.iloc[]

Mengakses baris dan kolom berdasarkan posisi integer.

print(df.iloc[0, 1])

Penggunaan Fungsi Pada Numpy Python

np.array()

Membuat array dari list atau tuple.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(arr)

np.zeros()

Membuat array dengan semua elemen bernilai 0.

zeros_arr = np.zeros((3, 4))
print(zeros_arr)

np.ones()

Membuat array dengan semua elemen bernilai 1.

ones_arr = np.ones((2, 3))
print(ones_arr)

np.empty()

Membuat array tanpa menginisialisasi nilai.

empty_arr = np.empty((2, 2))
print(empty_arr)

np.full()

Membuat array dengan semua elemen bernilai tertentu.

full_arr = np.full((2, 3), 7)
print(full_arr)

np.eye()

Membuat array identity (diagonal 1, sisanya 0).

eye_arr = np.eye(4)
print(eye_arr)

np.arange()

Membuat array dengan interval tertentu.

range_arr = np.arange(0, 10, 2)
print(range_arr)

np.linspace()

Membuat array dengan nilai yang dibagi secara merata.

linspace_arr = np.linspace(0, 1, 5)
print(linspace_arr)

np.random.rand()

Membuat array dengan elemen acak dari distribusi uniform [0, 1).

rand_arr = np.random.rand(3, 3)
print(rand_arr)

np.random.randn()

Membuat array dengan elemen acak dari distribusi normal (mean=0, var=1).

randn_arr = np.random.randn(2, 3)
print(randn_arr)

np.random.randint()

Membuat array dengan elemen acak dari distribusi integer.

randint_arr = np.random.randint(1, 10, size=(3, 3))
print(randint_arr)

np.reshape()

Mengubah bentuk array.

arr = np.arange(6)
reshaped_arr = np.reshape(arr, (2, 3))
print(reshaped_arr)

np.transpose()

Mengubah sumbu array.

arr = np.array([[1, 2, 3], [4, 5, 6]])
transposed_arr = np.transpose(arr)
print(transposed_arr)

np.concatenate()

Menggabungkan dua array.

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
concatenated_arr = np.concatenate((arr1, arr2))
print(concatenated_arr)

np.vstack()

Menggabungkan array secara vertikal.

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
vstacked_arr = np.vstack((arr1, arr2))
print(vstacked_arr)

np.hstack()

Menggabungkan array secara horizontal.

arr1 = np.array([1, 2, 3]).reshape(3, 1)
arr2 = np.array([4, 5, 6]).reshape(3, 1)
hstacked_arr = np.hstack((arr1, arr2))
print(hstacked_arr)

np.split()

Memecah array menjadi beberapa array.

arr = np.arange(10)
split_arr = np.split(arr, 5)
print(split_arr)

np.mean()

Menghitung rata-rata elemen array.

arr = np.array([1, 2, 3, 4, 5])
mean_val = np.mean(arr)
print(mean_val)

np.median()

Menghitung median elemen array.

arr = np.array([1, 2, 3, 4, 5])
median_val = np.median(arr)
print(median_val)

np.std()

Menghitung deviasi standar elemen array.

arr = np.array([1, 2, 3, 4, 5])
std_val = np.std(arr)
print(std_val)

Penggunaan Fungsi Pada Matplotlib Python

plot()

Membuat plot garis sederhana.

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.title('Plot of sin(x)')
plt.show()

scatter()

Membuat plot scatter.

x = np.random.rand(50)
y = np.random.rand(50)

plt.scatter(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.title('Scatter Plot')
plt.show()

bar()

Membuat plot batang.

categories = ['A', 'B', 'C']
values = [10, 20, 15]

plt.bar(categories, values)
plt.xlabel('Category')
plt.ylabel('Value')
plt.title('Bar Chart')
plt.show()

hist()

Membuat histogram.

data = np.random.randn(1000)

plt.hist(data, bins=30)
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Histogram')
plt.show()

boxplot()

Membuat box plot.

data = np.random.rand(10, 5)

plt.boxplot(data)
plt.xlabel('Category')
plt.ylabel('Value')
plt.title('Box Plot')
plt.show()

pie()

Membuat pie chart.

sizes = [15, 30, 45, 10]
labels = ['A', 'B', 'C', 'D']

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('Pie Chart')
plt.show()

errorbar()

Membuat plot dengan error bar.

x = np.linspace(0, 10, 10)
y = np.sin(x)
yerr = 0.1

plt.errorbar(x, y, yerr=yerr, fmt='-o')
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.title('Error Bar Plot')
plt.show()

imshow()

Menampilkan data sebagai gambar.

data = np.random.rand(10, 10)

plt.imshow(data, cmap='viridis')
plt.colorbar()
plt.title('Image Show')
plt.show()

contour()

Membuat contour plot.

x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

plt.contour(X, Y, Z)
plt.title('Contour Plot')
plt.show()

contourf()

Membuat filled contour plot

plt.contourf(X, Y, Z, cmap='viridis')
plt.colorbar()
plt.title('Filled Contour Plot')
plt.show()

pcolor()

Membuat plot pseudocolor.

plt.pcolor(X, Y, Z, cmap='viridis')
plt.colorbar()
plt.title('Pseudocolor Plot')
plt.show()

quiver()

Membuat plot vektor.

X, Y = np.meshgrid(np.arange(-2, 2, 0.2), np.arange(-2, 2, 0.2))
U = -1 - X**2 + Y
V = 1 + X - Y**2

plt.quiver(X, Y, U, V)
plt.title('Quiver Plot')
plt.show()

streamplot()

Membuat stream plot.

plt.streamplot(X, Y, U, V)
plt.title('Stream Plot')
plt.show()

fill()

Membuat plot dengan area yang terisi.

x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.sin(x) + 1

plt.fill_between(x, y1, y2)
plt.xlabel('x')
plt.ylabel('y')
plt.title('Filled Plot')
plt.show()

polar()

Membuat plot polar.

theta = np.linspace(0, 2*np.pi, 100)
r = np.abs(np.sin(theta))

plt.polar(theta, r)
plt.title('Polar Plot')
plt.show()

hexbin()

Membuat plot heksagonal.

x = np.random.randn(1000)
y = np.random.randn(1000)

plt.hexbin(x, y, gridsize=30, cmap='viridis')
plt.colorbar()
plt.title('Hexbin Plot')
plt.show()

loglog()

Membuat plot dengan skala log-log.

x = np.logspace(0.1, 2, 100)
y = x**2

plt.loglog(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.title('Log-Log Plot')
plt.show()

semilogx()

Membuat plot dengan skala x-log.

plt.semilogx(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.title('Semilogx Plot')
plt.show()

semilogy()

Membuat plot dengan skala y-log.

plt.semilogy(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.title('Semilogy Plot')
plt.show()

subplots()

Membuat beberapa plot dalam satu figure.

fig, axs = plt.subplots(2, 2)

axs[0, 0].plot(x, y)
axs[0, 0].set_title('Plot 1')

axs[0, 1].scatter(x, y)
axs[0, 1].set_title('Plot 2')

axs[1, 0].bar(categories, values)
axs[1, 0].set_title('Plot 3')

axs[1, 1].hist(data, bins=30)
axs[1, 1].set_title('Plot 4')

plt.tight_layout()
plt.show()

Penggunaan Fungsi Pada Plotly Python

px.scatter

Membuat scatter plot.

import plotly.express as px
import pandas as pd

df = px.data.iris()

fig = px.scatter(df, x='sepal_width', y='sepal_length', color='species')
fig.show()

px.line

Membuat line plot.

df = px.data.gapminder().query("country=='Canada'")

fig = px.line(df, x='year', y='lifeExp', title='Life Expectancy in Canada')
fig.show()

px.bar

Membuat bar plot.

df = px.data.tips()

fig = px.bar(df, x='day', y='total_bill', color='sex', barmode='group')
fig.show()

px.histogram

Membuat histogram.

fig = px.histogram(df, x='total_bill', nbins=30)
fig.show()

px.box

Membuat box plot.

fig = px.box(df, x='day', y='total_bill', color='sex')
fig.show()

px.violin

Membuat violin plot.

fig = px.violin(df, y='total_bill', x='day', color='sex', box=True, points='all')
fig.show()

px.pie

Membuat pie chart.

fig = px.pie(df, values='total_bill', names='day')
fig.show()

px.sunburst

Membuat sunburst chart.

df = px.data.tips()

fig = px.sunburst(df, path=['sex', 'day', 'time'], values='total_bill')
fig.show()

px.treemap

Membuat treemap.

fig = px.treemap(df, path=['sex', 'day', 'time'], values='total_bill')
fig.show()

px.scatter_3d

Membuat 3D scatter plot.

fig = px.scatter_3d(df, x='total_bill', y='tip', z='size', color='sex')
fig.show()

px.line_3d

Membuat 3D line plot.

df = px.data.gapminder().query("country=='Canada'")

fig = px.line_3d(df, x='year', y='gdpPercap', z='lifeExp', color='continent')
fig.show()

px.scatter_matrix

Membuat scatter matrix.

df = px.data.iris()

fig = px.scatter_matrix(df, dimensions=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'], color='species')
fig.show()

px.parallel_coordinates

Membuat parallel coordinates plot.

fig = px.parallel_coordinates(df, color='species_id', dimensions=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'])
fig.show()

px.parallel_categories

Membuat parallel categories plot.

fig = px.parallel_categories(df, dimensions=['sex', 'smoker', 'day'])
fig.show()

px.density_contour

Membuat density contour plot.

df = px.data.tips()

fig = px.density_contour(df, x='total_bill', y='tip', marginal_x='histogram', marginal_y='histogram')
fig.show()

px.density_heatmap

Membuat density heatmap.

fig = px.density_heatmap(df, x='total_bill', y='tip', marginal_x='histogram', marginal_y='histogram')
fig.show()

px.area

Membuat area plot.

df = px.data.gapminder().query("country=='Canada'")

fig = px.area(df, x='year', y='pop', title='Population of Canada')
fig.show()

px.funnel

Membuat funnel plot.

df = pd.DataFrame({
    'stage': ['Website visit', 'Downloads', 'Potential customers', 'Requested price', 'Invoice sent'],
    'value': [39, 27, 20, 17, 10]
})

fig = px.funnel(df, x='stage', y='value')
fig.show()

px.funnel_area

Membuat funnel area plot.

fig = px.funnel_area(df, names='stage', values='value')
fig.show()

px.timeline

Membuat timeline plot.

df = pd.DataFrame([
    dict(Task="Job A", Start='2022-01-01', Finish='2022-02-28'),
    dict(Task="Job B", Start='2022-03-05', Finish='2022-05-15'),
    dict(Task="Job C", Start='2022-05-20', Finish='2022-08-30')
])

fig = px.timeline(df, x_start="Start", x_end="Finish", y="Task")
fig.show()

Penggunaan Fungsi Pada Streamlit Python

st.title()

Menampilkan judul utama pada halaman.

import streamlit as st

st.title("Ini adalah Judul Utama")

st.header()

Menampilkan header pada halaman.

st.header("Ini adalah Header")

st.subheader()

Menampilkan subheader pada halaman.

st.subheader("Ini adalah Subheader")

st.text()

Menampilkan teks biasa.

st.text("Ini adalah teks biasa.")

st.markdown()

Menampilkan teks dalam format Markdown.

st.markdown("**Ini adalah teks tebal dalam Markdown.**")

st.write()

Menampilkan berbagai jenis data, termasuk teks, data frame, dan lainnya.

st.write("Ini adalah teks yang ditampilkan dengan `st.write`.")

st.dataframe()

Menampilkan DataFrame sebagai tabel interaktif.

import pandas as pd

df = pd.DataFrame({
    'kolom 1': [1, 2, 3, 4],
    'kolom 2': [10, 20, 30, 40]
})

st.dataframe(df)

st.table()

Menampilkan DataFrame sebagai tabel statis.

st.table(df)

st.line_chart()

Menampilkan line chart dari DataFrame atau array.

import numpy as np

data = np.random.randn(10, 2)
st.line_chart(data)

st.bar_chart()

Menampilkan bar chart dari DataFrame atau array.

st.bar_chart(data)

st.area_chart()

Menampilkan area chart dari DataFrame atau array.

st.area_chart(data)

st.map()

Menampilkan peta berdasarkan data geografis.

df_map = pd.DataFrame({
    'lat': [37.76, 37.77, 37.78],
    'lon': [-122.4, -122.41, -122.42]
})

st.map(df_map)

st.image()

Menampilkan gambar.

st.image("https://www.example.com/path/to/image.jpg", caption='Ini adalah gambar.')

st.file_uploader()

Menampilkan widget untuk mengunggah file.

uploaded_file = st.file_uploader("Pilih file", type=["csv", "txt"])

if uploaded_file is not None:
    data = pd.read_csv(uploaded_file)
    st.write(data)

st.sidebar()

Menampilkan sidebar untuk menempatkan widget.

st.sidebar.title("Ini adalah Sidebar")
st.sidebar.write("Ini adalah teks di dalam sidebar.")

st.button()

Menampilkan tombol yang bisa diklik.

if st.button("Klik saya"):
    st.write("Tombol diklik!")

st.checkbox()

Menampilkan kotak centang.

if st.checkbox("Setuju?"):
    st.write("Anda setuju!")

st.radio()

Menampilkan pilihan radio button.

pilihan = st.radio("Pilih satu:", ('Pilihan 1', 'Pilihan 2', 'Pilihan 3'))

if pilihan == 'Pilihan 1':
    st.write("Anda memilih Pilihan 1")

st.selectbox()

Menampilkan kotak pilihan.

pilihan = st.selectbox("Pilih satu:", ('Pilihan A', 'Pilihan B', 'Pilihan C'))

st.write(f"Anda memilih {pilihan}")

st.slider()

Menampilkan slider untuk memilih nilai.

nilai = st.slider("Pilih nilai:", 0, 100, 50)
st.write(f"Nilai yang dipilih: {nilai}")

Kesimpulan

• Pentingnya Analisis Data dan Data Science: Analisis data dan data science menjadi komponen krusial dalam era informasi saat ini, memungkinkan pemahaman yang lebih mendalam dan pengambilan keputusan yang lebih baik di berbagai sektor.
• Langkah-Langkah Penting dalam Analisis Data: Proses analisis data mencakup pengumpulan data yang akurat, pembersihan data untuk memastikan kualitas, eksplorasi data untuk memahami pola dan tren, serta pemodelan data untuk menghasilkan wawasan yang dapat diandalkan.
• Menghasilkan Wawasan yang Berharga: Dengan langkah-langkah analisis yang tepat, kita dapat mengungkap wawasan yang berharga yang dapat digunakan untuk memecahkan masalah kompleks, meningkatkan efisiensi, dan mendorong inovasi.
• Tantangan yang Harus Dihadapi: Beberapa tantangan utama dalam analisis data meliputi memastikan kualitas data yang konsisten dan menangani masalah privasi yang dapat timbul dari penggunaan data sensitif.
• Peluang dari Teknologi Baru: Teknologi baru dan algoritma canggih, seperti machine learning dan artificial intelligence, membuka peluang besar untuk melakukan analisis data yang lebih kompleks dan memberikan hasil yang lebih akurat.
• Mengembangkan Keahlian dalam Data Science: Mengembangkan keahlian dalam analisis data dan data science sangat penting bagi individu dan organisasi untuk tetap kompetitif, memaksimalkan potensi data, dan membuat keputusan berbasis data yang lebih baik.
• Mencapai Keberhasilan di Berbagai Bidang: Penerapan analisis data dan data science dapat meningkatkan keberhasilan di berbagai bidang, termasuk kesehatan, bisnis, pendidikan, dan sektor publik, dengan memberikan pandangan yang lebih jelas dan strategi yang lebih efektif.