Proyek ini mengajak kita menganalisis pergerakan harga lima komoditas pangan — Beras Premium, Cabai Merah Keriting, Bawang Merah, Minyak Goreng Kemasan, dan Gula Pasir — yang dicatat harian di pasar tiga kota: Jakarta, Bandung, dan Makassar. Bahan kerjanya satu berkas harga_komoditas.csv berisi 1313 baris untuk 1 Januari sampai 31 Maret 2026 yang dibuat oleh skrip deterministik, dan datanya sengaja memuat masalah yang lazim ditemui pada catatan lapangan: baris duplikat, harga ekstrem akibat salah ketik, harga kosong, label kota dan satuan tidak seragam, serta 45 kombinasi tanggal-komoditas yang hilang. Empat bagian berurutan membawa dataset itu dari keadaan mentah menjadi temuan siap lapor:

  • Bagian 1: Mengimpor Data Harga — memuat CSV, memeriksa struktur, dan memetakan enam kelompok masalah data.
  • Bagian 2: Membersihkan Data Harga — enam langkah pembersihan yang dikemas menjadi fungsi bersihkan() siap pakai.
  • Bagian 3: Menganalisis Perubahan Harga — matriks harga harian, interpolasi sel kosong, dan pengukuran perubahan dengan pct_change(), diff(), dan resample().
  • Bagian 4: Membandingkan Komoditas — rata-rata bulanan dengan resample("ME"), indeks basis 100, korelasi antar komoditas, dan ekspor ringkasan CSV.

Kerjakan bagian demi bagian secara berurutan, karena setiap bagian memakai berkas dan hasil bagian sebelumnya; skrip pendamping buat_dataset.py tersedia di folder tiap bagian sehingga setiap chapter dapat dijalankan sendiri. Proyek ini memakai konsep dari beberapa section sebelumnya: Membaca dan Menulis Data untuk CSV, Data Cleaning serta Missing Data dan Outlier Lanjutan untuk pembersihan dan interpolasi, Menggabungkan dan Membentuk Data untuk pivot_table(), dan Data Waktu dan Deret Waktu untuk resample serta pengukuran perubahan. Bila Anda baru menyelesaikan Proyek: Analisis Penjualan, keempat bagian ini menerapkan pola yang sama — memuat, membersihkan, menganalisis, merangkum — pada data deret waktu harga.

# Bagian 1: Mengimpor Data Harga

Memuat CSV harga komoditas harian tiga kota dan memetakan lima masalah kualitas datanya sebelum pembersihan dimulai.

Buka → # Bagian 2: Membersihkan Data Harga

Menjalankan langkah pembersihan dataset harga komoditas dan mengemasnya menjadi fungsi bersihkan() yang dapat dipakai ulang.

Buka → # Bagian 3: Menganalisis Perubahan Harga

Membentuk matriks harga harian antar kota, mengisi sel kosong dengan interpolasi, lalu mengukur perubahan harga dengan pct_change(), diff(), dan resample().

Buka → # Bagian 4: Membandingkan Komoditas

Merangkum matriks harga harian menjadi rata-rata bulanan, menyusun indeks basis 100, mengukur korelasi antar komoditas, dan mengekspor ringkasan ke CSV.

Buka →