Proyek: Analisis Harga Komoditas

python3 src/analisis_harga.py

minggu,komoditas,harga_rata_ribu
M1,beras,13.0
M1,cabai merah,38.0
M1,bawang merah,30.0
M1,ayam broiler,33.0
M1,gula pasir,17.5
M2,beras,13.2
M2,cabai merah,40.0
M2,bawang merah,34.0
M2,ayam broiler,33.5
M2,gula pasir,17.6
M3,beras,13.1
M3,cabai merah,42.0
M3,cabai merah,42.0
M3,bawang merah,31.0
M3,ayam broiler,33.2
M3,gula pasir,17.5
M4,beras,13.3
M4,cabai merah,65.0
M4,bawang merah,36.0
M4,ayam broiler,33.8
M4,gula pasir,17.7
M5,beras,13.2
M5,cabai merah,78.0
M5,bawang merah,33.0
M5,ayam broiler,34.0
M5,gula pasir,17.6
M6,beras,13.4
M6,cabai merah,55.0
M6,bawang merah,-
M6,ayam broiler,34.5
M6,gula pasir,17.8
M7,beras,13.3
M7,Cabai Merah,44.0
M7,bawang merah,32.0
M7,ayam broiler,34.8
M7,gula pasir,17.7
M8,beras,13.5
M8,cabai merah,40.0
M8,bawang merah,35.0
M8,ayam broiler,35.2
M8,gula pasir,17.8

"""analisis_harga.py: pipeline analisis harga komoditas Warung Nasi Bu Warni.

Pipeline ini menjalankan alur utuh satu proyek analisis data harga:
muat data mentah, periksa masalah, bersihkan, hitung statistik per
komoditas, temukan perubahan pekan-ke-pekan terbesar dan lonjakan
cabai merah, lalu tulis laporan lengkap ke laporan/laporan-akhir.txt.

Cara menjalankan (dari folder proyek analisis-harga-komoditas):

    python3 src/analisis_harga.py

Pipeline ini deterministik: tidak membaca jam sistem, tidak mengakses
jaringan, dan selalu menghasilkan keluaran yang sama dari data yang sama.
"""

from pathlib import Path

import pandas as pd

BERKAS_DATA = Path("data/harga_komoditas.csv")
BERKAS_LAPORAN = Path("laporan/laporan-akhir.txt")

NAMA_KOMODITAS = [
    "beras",
    "cabai merah",
    "bawang merah",
    "ayam broiler",
    "gula pasir",
]
PEKAN_M1 = "5 Januari 2026"
PEKAN_M8 = "23 Februari 2026"


def muat_data() -> pd.DataFrame:
    """Baca data mentah harga komoditas dari berkas CSV."""
    df = pd.read_csv(BERKAS_DATA)
    print(f"[1] Muat data mentah   : {df.shape[0]} baris, {df.shape[1]} kolom")
    return df


def periksa_masalah(df: pd.DataFrame) -> dict:
    """Kumpulkan temuan masalah pada data mentah sebelum dibersihkan."""
    nama = df["komoditas"].str.strip()
    tak_seragam = sorted(set(nama) - set(NAMA_KOMODITAS))
    masalah = {
        "duplikat": int(df.duplicated().sum()),
        "kosong": int((df["harga_rata_ribu"] == "-").sum()),
        "tak_seragam": tak_seragam,
    }

    ringkas = [f"{masalah['duplikat']} baris duplikat"]
    ringkas.append(f"{masalah['kosong']} sel harga kosong")
    if tak_seragam:
        ringkas.append("nama tak konsisten: " + ", ".join(tak_seragam))
    print("[2] Temuan validasi    : " + "; ".join(ringkas))
    return masalah


def bersihkan(df: pd.DataFrame) -> tuple[pd.DataFrame, list[str]]:
    """Buang duplikat, seragamkan nama, ubah '-' jadi NaN lalu interpolasi."""
    bersih = df.drop_duplicates(subset=["minggu", "komoditas"], keep="first").copy()
    bersih["komoditas"] = bersih["komoditas"].str.strip().str.lower()
    bersih["harga_rata_ribu"] = pd.to_numeric(bersih["harga_rata_ribu"], errors="coerce")
    bersih = bersih.sort_values(["komoditas", "minggu"]).reset_index(drop=True)

    # Catat sel kosong lebih dulu supaya nilai hasil interpolasi bisa dilaporkan.
    kosong = bersih[bersih["harga_rata_ribu"].isna()][["minggu", "komoditas"]]
    bersih["harga_rata_ribu"] = bersih.groupby("komoditas")["harga_rata_ribu"].transform(
        lambda s: s.interpolate()
    )

    catatan_isi = []
    for _, baris in kosong.iterrows():
        nilai = bersih.loc[
            (bersih["komoditas"] == baris["komoditas"]) & (bersih["minggu"] == baris["minggu"]),
            "harga_rata_ribu",
        ].iloc[0]
        catatan_isi.append(f"{baris['komoditas']} {baris['minggu']} = {nilai:.1f}")

    keterangan = f"{len(bersih)} baris bersih"
    if catatan_isi:
        keterangan += "; sel kosong diisi interpolasi (" + ", ".join(catatan_isi) + ")"
    print(f"[3] Pembersihan        : {keterangan}")
    return bersih, catatan_isi


def statistik_harga(bersih: pd.DataFrame) -> pd.DataFrame:
    """Hitung mean, std, min, max, dan koefisien variasi per komoditas."""
    stat = bersih.groupby("komoditas")["harga_rata_ribu"].agg(["mean", "std", "min", "max"])
    stat["cv"] = stat["std"] / stat["mean"] * 100
    print("[4] Statistik harga (ribu rupiah per kg):")
    for komoditas, baris in stat.iterrows():
        print(
            f"      {komoditas:<12} mean {baris['mean']:6.2f}  std {baris['std']:5.2f}"
            f"  min {baris['min']:5.2f}  max {baris['max']:5.2f}"
            f"  cv {baris['cv']:5.2f}%"
        )
    return stat


def perubahan_terbesar(bersih: pd.DataFrame, n: int = 5) -> pd.DataFrame:
    """Cari n perubahan harga pekan-ke-pekan terbesar (menurut besaran)."""
    urut = bersih.sort_values(["komoditas", "minggu"]).copy()
    urut["minggu_sebelum"] = urut.groupby("komoditas")["minggu"].shift(1)
    urut["harga_sebelum"] = urut.groupby("komoditas")["harga_rata_ribu"].shift(1)
    urut["pct"] = urut.groupby("komoditas")["harga_rata_ribu"].pct_change() * 100
    urut = urut.dropna(subset=["pct"])
    urut = urut.reindex(urut["pct"].abs().sort_values(ascending=False).index)

    teratas = urut.iloc[0]
    print(
        f"[5] Perubahan terbesar : {teratas['komoditas']} {teratas['minggu_sebelum']}"
        f" -> {teratas['minggu']} ({teratas['pct']:+.1f}%,"
        f" {teratas['harga_sebelum']:.1f} -> {teratas['harga_rata_ribu']:.1f})"
    )
    return urut.head(n)


def ringkasan_cabai(bersih: pd.DataFrame) -> dict:
    """Kumpulkan angka kunci lonjakan cabai merah."""
    cabai = bersih[bersih["komoditas"] == "cabai merah"].set_index("minggu")["harga_rata_ribu"]
    puncak_pekan = cabai.idxmax()
    puncak = float(cabai.max())
    awal = float(cabai["M1"])
    print(
        f"[6] Lonjakan cabai     : puncak {puncak_pekan} {puncak:.1f} ribu"
        f" ({puncak / awal:.1f}x harga awal M1 {awal:.1f}),"
        f" kembali {cabai['M8']:.1f} pada M8"
    )
    return {
        "m1": awal,
        "m3": float(cabai["M3"]),
        "m4": float(cabai["M4"]),
        "m5": float(cabai["M5"]),
        "m6": float(cabai["M6"]),
        "m7": float(cabai["M7"]),
        "m8": float(cabai["M8"]),
        "puncak_pekan": puncak_pekan,
        "puncak": puncak,
        "m3_ke_m5": (float(cabai["M5"]) / float(cabai["M3"]) - 1) * 100,
    }


def tren_akhir(bersih: pd.DataFrame) -> pd.DataFrame:
    """Bandingkan harga pekan awal (M1) dan pekan akhir (M8) per komoditas."""
    pivot = bersih.pivot(index="minggu", columns="komoditas", values="harga_rata_ribu")
    tren = pd.DataFrame({"awal_m1": pivot.iloc[0], "akhir_m8": pivot.iloc[-1]})
    tren["selisih"] = tren["akhir_m8"] - tren["awal_m1"]
    tren["pct"] = tren["selisih"] / tren["awal_m1"] * 100
    return tren


def susun_laporan(
    masalah: dict,
    bersih: pd.DataFrame,
    catatan_isi: list[str],
    stat: pd.DataFrame,
    terbesar: pd.DataFrame,
    cabai: dict,
    tren: pd.DataFrame,
) -> str:
    """Susun isi laporan akhir sebagai teks polos."""
    baris = []
    baris += [
        "=" * 68,
        "LAPORAN AKHIR - ANALISIS HARGA KOMODITAS",
        "Warung Nasi Bu Warni, Surabaya",
        f"Periode: 8 pekan, M1 (mulai {PEKAN_M1}) s.d. M8 (mulai {PEKAN_M8})",
        "=" * 68,
        "",
        "1. RINGKASAN DATA",
        "-" * 68,
        "Sumber        : catatan belanja mingguan Bu Warni dan harga",
        "                rata-rata satu pasar tradisional di Surabaya",
        "Satuan        : ribu rupiah per kilogram",
        "Data mentah   : 41 baris",
        f"Pembersihan   : {masalah['duplikat']} baris duplikat dibuang (M3 cabai merah);",
    ]
    if catatan_isi:
        baris.append("                1 sel kosong diisi interpolasi linear")
        baris.append(f"                ({catatan_isi[0]});")
    baris += [
        "                1 nama komoditas diseragamkan",
        "                (Cabai Merah -> cabai merah)",
        f"Data bersih   : {len(bersih)} baris = 5 komoditas x 8 pekan",
        "",
        "2. STATISTIK HARGA PER KOMODITAS (ribu rupiah per kg)",
        "-" * 68,
        f"{'komoditas':<13} {'mean':>6} {'std':>6} {'min':>7} {'max':>7} {'cv':>7}",
    ]
    for komoditas, b in stat.sort_values("cv", ascending=False).iterrows():
        baris.append(
            f"{komoditas:<13} {b['mean']:6.2f} {b['std']:6.2f} {b['min']:7.2f}"
            f" {b['max']:7.2f} {b['cv']:7.2f}%"
        )
    baris += [
        "cv = (std / mean) x 100%: ukuran gejolak relatif yang dapat",
        "dibandingkan antar komoditas walau tingkat harganya berbeda.",
        "",
        "3. TEMUAN UTAMA",
        "-" * 68,
        "T1  Cabai merah melonjak pada M4-M5 lalu turun.",
        f"    M3 {cabai['m3']:.1f} -> M4 {cabai['m4']:.1f} -> M5 {cabai['m5']:.1f}"
        f" (naik {cabai['m3_ke_m5']:.1f}% dari M3 ke M5), lalu turun",
        f"    bertahap: M6 {cabai['m6']:.1f}, M7 {cabai['m7']:.1f}, M8 {cabai['m8']:.1f}.",
        f"    Puncak {cabai['puncak_pekan']} ({cabai['puncak']:.1f}) mencapai"
        f" {cabai['puncak'] / cabai['m1']:.1f}x harga awal M1 ({cabai['m1']:.1f}).",
        "    Lonjakan bertepatan dengan puncak musim hujan",
        "    Januari-Februari yang mengganggu pasokan.",
        "T2  Beras dan gula pasir paling stabil.",
        f"    Kisaran beras {stat.loc['beras', 'min']:.1f}-{stat.loc['beras', 'max']:.1f}"
        f" (cv {stat.loc['beras', 'cv']:.2f}%) dan gula pasir"
        f" {stat.loc['gula pasir', 'min']:.1f}-{stat.loc['gula pasir', 'max']:.1f}"
        f" (cv {stat.loc['gula pasir', 'cv']:.2f}%).",
        "T3  Ayam broiler menanjak tipis tetapi konsisten.",
        f"    {tren.loc['ayam broiler', 'awal_m1']:.1f} (M1) ->"
        f" {tren.loc['ayam broiler', 'akhir_m8']:.1f} (M8),"
        f" +{tren.loc['ayam broiler', 'pct']:.1f}% dalam 8 pekan,",
        "    hanya sekali turun tipis pada M3 (33.5 -> 33.2).",
        "T4  Bawang merah bergejolak sedang.",
        f"    Harga naik-turun dalam kisaran {stat.loc['bawang merah', 'min']:.1f}-"
        f"{stat.loc['bawang merah', 'max']:.1f} (cv {stat.loc['bawang merah', 'cv']:.2f}%);",
        "    dua perubahan terbesarnya +16.1% (M3 -> M4) dan",
        "    +13.3% (M1 -> M2).",
        "",
        "4. PERUBAHAN PEKAN-KE-PEKAN TERBESAR",
        "-" * 68,
    ]
    for nomor, (_, b) in enumerate(terbesar.iterrows(), start=1):
        baris.append(
            f"{nomor}) {b['komoditas']:<12} {b['minggu_sebelum']} -> {b['minggu']}"
            f"  {b['pct']:+6.1f}%  ({b['harga_sebelum']:.1f} -> {b['harga_rata_ribu']:.1f})"
        )
    baris += [
        "",
        "5. REKOMENDASI UNTUK BU WARNI",
        "-" * 68,
        "R1  Jadikan cabai merah komoditas yang diawasi mingguan.",
        "    Bila harganya naik lebih dari 20% dalam satu pekan",
        "    (seperti M3 -> M4), tunda pembelian besar sampai mereda.",
        "R2  Saat cabai murah (kisaran 38-44 seperti M1-M3 dan M7-M8),",
        "    beli lebih banyak untuk stok sambal; saat di atas 60",
        "    (M4-M5), geser menu andalan ke olahan tanpa cabai segar.",
        "R3  Beras dan gula pasir cukup dibeli mingguan sesuai kebutuhan;",
        "    menimbun tidak memberi keuntungan berarti karena stabil.",
        "R4  Hitung ulang harga jual paket nasi ayam dengan asumsi ayam",
        "    naik sekitar 3% per 4 pekan agar margin tidak tergerus.",
        "",
        "6. KETERBATASAN ANALISIS",
        "-" * 68,
        "- Delapan pekan belum cukup memisahkan tren dari pola musiman",
        "  tahunan; dibutuhkan data minimal 12 bulan.",
        "- Harga adalah rata-rata satu pasar; harga belanja aktual",
        "  harian bisa berbeda tipis.",
        "- Satu nilai harga (bawang merah M6) adalah hasil interpolasi,",
        "  bukan harga nyata yang tercatat.",
        "",
        "Diproses oleh : src/analisis_harga.py (pipeline deterministik)",
        "Data          : data/harga_komoditas.csv",
    ]
    return "\n".join(baris) + "\n"


def main() -> None:
    """Jalankan seluruh alur pipeline dan tulis laporan."""
    mentah = muat_data()
    masalah = periksa_masalah(mentah)
    bersih, catatan_isi = bersihkan(mentah)
    stat = statistik_harga(bersih)
    terbesar = perubahan_terbesar(bersih)
    cabai = ringkasan_cabai(bersih)
    tren = tren_akhir(bersih)

    laporan = susun_laporan(masalah, bersih, catatan_isi, stat, terbesar, cabai, tren)
    BERKAS_LAPORAN.parent.mkdir(parents=True, exist_ok=True)
    BERKAS_LAPORAN.write_text(laporan, encoding="utf-8")
    print(f"[7] Laporan ditulis ke  : {BERKAS_LAPORAN}")


if __name__ == "__main__":
    main()

[1] Muat data mentah   : 41 baris, 3 kolom
[2] Temuan validasi    : 1 baris duplikat; 1 sel harga kosong; nama tak konsisten: Cabai Merah
[3] Pembersihan        : 40 baris bersih; sel kosong diisi interpolasi (bawang merah M6 = 32.5)
[4] Statistik harga (ribu rupiah per kg):
      ayam broiler mean  34.00  std  0.78  min 33.00  max 35.20  cv  2.29%
      bawang merah mean  32.94  std  2.01  min 30.00  max 36.00  cv  6.10%
      beras        mean  13.25  std  0.16  min 13.00  max 13.50  cv  1.21%
      cabai merah  mean  50.25  std 14.53  min 38.00  max 78.00  cv 28.91%
      gula pasir   mean  17.65  std  0.12  min 17.50  max 17.80  cv  0.68%
[5] Perubahan terbesar : cabai merah M3 -> M4 (+54.8%, 42.0 -> 65.0)
[6] Lonjakan cabai     : puncak M5 78.0 ribu (2.1x harga awal M1 38.0), kembali 40.0 pada M8
[7] Laporan ditulis ke  : laporan/laporan-akhir.txt

====================================================================
LAPORAN AKHIR - ANALISIS HARGA KOMODITAS
Warung Nasi Bu Warni, Surabaya
Periode: 8 pekan, M1 (mulai 5 Januari 2026) s.d. M8 (mulai 23 Februari 2026)
====================================================================

1. RINGKASAN DATA
--------------------------------------------------------------------
Sumber        : catatan belanja mingguan Bu Warni dan harga
                rata-rata satu pasar tradisional di Surabaya
Satuan        : ribu rupiah per kilogram
Data mentah   : 41 baris
Pembersihan   : 1 baris duplikat dibuang (M3 cabai merah);
                1 sel kosong diisi interpolasi linear
                (bawang merah M6 = 32.5);
                1 nama komoditas diseragamkan
                (Cabai Merah -> cabai merah)
Data bersih   : 40 baris = 5 komoditas x 8 pekan

2. STATISTIK HARGA PER KOMODITAS (ribu rupiah per kg)
--------------------------------------------------------------------
komoditas       mean    std     min     max      cv
cabai merah    50.25  14.53   38.00   78.00   28.91%
bawang merah   32.94   2.01   30.00   36.00    6.10%
ayam broiler   34.00   0.78   33.00   35.20    2.29%
beras          13.25   0.16   13.00   13.50    1.21%
gula pasir     17.65   0.12   17.50   17.80    0.68%
cv = (std / mean) x 100%: ukuran gejolak relatif yang dapat
dibandingkan antar komoditas walau tingkat harganya berbeda.

3. TEMUAN UTAMA
--------------------------------------------------------------------
T1  Cabai merah melonjak pada M4-M5 lalu turun.
    M3 42.0 -> M4 65.0 -> M5 78.0 (naik 85.7% dari M3 ke M5), lalu turun
    bertahap: M6 55.0, M7 44.0, M8 40.0.
    Puncak M5 (78.0) mencapai 2.1x harga awal M1 (38.0).
    Lonjakan bertepatan dengan puncak musim hujan
    Januari-Februari yang mengganggu pasokan.
T2  Beras dan gula pasir paling stabil.
    Kisaran beras 13.0-13.5 (cv 1.21%) dan gula pasir 17.5-17.8 (cv 0.68%).
T3  Ayam broiler menanjak tipis tetapi konsisten.
    33.0 (M1) -> 35.2 (M8), +6.7% dalam 8 pekan,
    hanya sekali turun tipis pada M3 (33.5 -> 33.2).
T4  Bawang merah bergejolak sedang.
    Harga naik-turun dalam kisaran 30.0-36.0 (cv 6.10%);
    dua perubahan terbesarnya +16.1% (M3 -> M4) dan
    +13.3% (M1 -> M2).

4. PERUBAHAN PEKAN-KE-PEKAN TERBESAR
--------------------------------------------------------------------
1) cabai merah  M3 -> M4   +54.8%  (42.0 -> 65.0)
2) cabai merah  M5 -> M6   -29.5%  (78.0 -> 55.0)
3) cabai merah  M4 -> M5   +20.0%  (65.0 -> 78.0)
4) cabai merah  M6 -> M7   -20.0%  (55.0 -> 44.0)
5) bawang merah M3 -> M4   +16.1%  (31.0 -> 36.0)

5. REKOMENDASI UNTUK BU WARNI
--------------------------------------------------------------------
R1  Jadikan cabai merah komoditas yang diawasi mingguan.
    Bila harganya naik lebih dari 20% dalam satu pekan
    (seperti M3 -> M4), tunda pembelian besar sampai mereda.
R2  Saat cabai murah (kisaran 38-44 seperti M1-M3 dan M7-M8),
    beli lebih banyak untuk stok sambal; saat di atas 60
    (M4-M5), geser menu andalan ke olahan tanpa cabai segar.
R3  Beras dan gula pasir cukup dibeli mingguan sesuai kebutuhan;
    menimbun tidak memberi keuntungan berarti karena stabil.
R4  Hitung ulang harga jual paket nasi ayam dengan asumsi ayam
    naik sekitar 3% per 4 pekan agar margin tidak tergerus.

6. KETERBATASAN ANALISIS
--------------------------------------------------------------------
- Delapan pekan belum cukup memisahkan tren dari pola musiman
  tahunan; dibutuhkan data minimal 12 bulan.
- Harga adalah rata-rata satu pasar; harga belanja aktual
  harian bisa berbeda tipis.
- Satu nilai harga (bawang merah M6) adalah hasil interpolasi,
  bukan harga nyata yang tercatat.

Diproses oleh : src/analisis_harga.py (pipeline deterministik)
Data          : data/harga_komoditas.csv