Perjalanan Course Statistika sampai pada titik di mana seluruh alat sudah tersedia dan siap dirangkai. Section Statistika Deskriptif mengajari kita menghitung mean, median, modus, dan standar deviasi; Section Distribusi Data menambahkan kemampuan membaca bentuk sebaran, skewness, dan z-score; Section Statistika dengan Python menerjemahkan seluruh hitungan itu menjadi kode pandas, NumPy, dan scipy. Proyek pertama ini menyatukan ketiganya menjadi satu analisis yang utuh: dataset nilai ujian 30 siswa pada tiga mata pelajaran, digarap dari data mentah sampai laporan akhir — persis alur kerja seorang analis data sungguhan.
Dataset yang Dianalisis #
Dataset proyek ini berbentuk satu berkas CSV berisi nilai ulangan sebuah kelas fiktif: 30 siswa, tiga mata pelajaran, skala nilai 0 sampai 100. Strukturnya sederhana dan meniru data yang sering dijumpai guru maupun analis pendidikan:
| Kolom | Isi | Tipe data |
|---|---|---|
siswa | nama siswa (fiktif) | teks |
matematika | nilai ulangan matematika | bilangan bulat |
bahasa | nilai ulangan bahasa | bilangan bulat |
sains | nilai ulangan sains | bilangan bulat |
Tiga mata pelajaran itu sengaja dipilih karena masing-masing menyimpan karakter sebaran yang berbeda — perbedaan yang baru terbaca setelah statistik dihitung, bukan dari sekadar melihat tabel mentahnya. Salah satu kolom memuat satu nilai yang jauh lebih rendah dari teman-temannya; nilai semacam ini akan kita tangani secara formal lewat z-score dan aturan IQR, bukan didiamkan begitu saja. Berkas nilai_ujian.csv tersedia pada folder Bagian 1 dan dapat diunduh untuk dipakai bersama cuplikan kode pada setiap bagian.
Peta Pengerjaan #
Proyek dikerjakan dalam empat bagian berurutan. Setiap bagian menghasilkan keluaran nyata yang menjadi pijakan bagian berikutnya:
| Bagian | Fokus | Hasil utama |
|---|---|---|
| Bagian 1 | Memahami dataset | struktur tabel, kelengkapan data, mean awal tiap mata pelajaran |
| Bagian 2 | Statistik deskriptif | ukuran pemusatan, sebaran, kuartil, ringkasan lima angka |
| Bagian 3 | Analisis distribusi | frekuensi kelas, histogram, skewness, deteksi outlier |
| Bagian 4 | Menyusun laporan | skrip laporan_lengkap.py dan laporan akhir kelas |
Seluruh kode memakai pustaka yang sudah dikenal dari Section Statistika dengan Python: pandas untuk tabel, statistics dan NumPy untuk hitungan, scipy untuk skewness, matplotlib untuk grafik — dokumentasi masing-masing tersedia di pandas.pydata.org
dan docs.scipy.org
. Setiap cuplikan pada bagian-bagian berikut menyertakan data secara utuh di dalam kodenya, sehingga Anda dapat menjalankannya di mana saja; cukup ikuti urutan bagian karena laporan akhir memakai seluruh temuan dari tiga bagian pertama. Mari mulai dari yang paling dasar: memahami data yang kita pegang.
Muat dataset nilai ujian 30 siswa dengan pandas, periksa struktur tabel, tipe kolom, dan kelengkapan data, lalu hitung mean awal tiap mata pelajaran sebelum analisis lebih dalam.
Buka → # Bagian 2: Menghitung Statistik DeskriptifHitung mean, median, dan modus tiap mata pelajaran, ringkas sebaran dengan standar deviasi dan kuartil, lalu baca jarak mean-median sebagai jejak outlier matematika.
Buka → # Bagian 3: Menganalisis DistribusiKelompokkan nilai matematika ke kelas frekuensi, gambar histogramnya, ukur skewness tiga mata pelajaran dengan scipy, dan konfirmasi outlier lewat z-score serta aturan IQR.
Buka → # Bagian 4: Menyusun LaporanRangkai seluruh temuan menjadi skrip laporan lengkap yang mandiri: statistik tiga mata pelajaran, deteksi outlier, catatan mean-median, dan kesimpulan yang siap dibaca.
Buka →