Seluruh teori pada section sebelumnya dapat dihitung ulang dengan beberapa baris Python. Section ini menyiapkan lingkungan kerja lalu membahas statistics bawaan, NumPy, pandas, matplotlib, seaborn sebagai pelengkap visualisasi, SciPy, dan implementasi regresi — semua contoh telah diuji pada Python 3.12.

# Persiapan Python

Siapkan lingkungan kerja Python untuk analisis statistika: instalasi Python, virtual environment, empat pustaka utama, serta dataset nilai sepuluh siswa yang dipakai di sepanjang section ini.

Buka → # Statistik dengan Python Standar

Hitung mean, median, modus, simpangan baku, kuartil, korelasi, dan peluang normal hanya dengan module statistics bawaan Python, lalu rangkum semuanya menjadi satu skrip laporan.

Buka → # Statistik dengan NumPy

Pindahkan perhitungan statistika ke array NumPy: vektorisasi tanpa loop, percentile, perbedaan penting ddof, operasi per axis, korelasi, dan penanganan NaN.

Buka → # Analisis Data dengan pandas

Kelola data berlabel dengan pandas: membuat DataFrame, membaca file CSV, menyaring dan mengurut baris, agregasi dengan groupby, serta menangani data hilang dengan isna, dropna, dan fillna.

Buka → # Visualisasi dengan matplotlib

Gambar sendiri lima grafik inti dengan matplotlib — histogram, diagram batang, line chart, scatter plot, dan box plot — dengan dua gaya penulisan kode, backend tanpa layar, serta kebiasaan label dan judul yang disiplin.

Buka → # Distribusi dengan SciPy

Pakai objek scipy.stats sebagai kalkulator distribusi: pmf dan cdf binomial, Poisson, normal, dan t-Student, kuantil terbalik ppf, distribusi beku, serta sampel acak yang dapat direproduksi dengan seed.

Buka → # Pengujian Hipotesis dengan SciPy

Jalankan lima langkah pengujian dengan scipy.stats: ttest_1samp, ttest_ind, chi2_contingency, f_oneway, dan pearsonr pada data Section Pengujian Hipotesis, lalu baca statistik dan p-value dari objek hasilnya.

Buka → # Regresi dengan Python

Bangun regresi dengan tiga lapis alat — statistics.linear_regression, scipy.stats.linregress, dan numpy.polyfit — lanjut regresi berganda dengan np.linalg.lstsq dan statsmodels OLS, lengkap dengan prediksi, residual, R², dan grafik garis.

Buka → # Visualisasi dengan seaborn

Gambar ulang histogram, box plot, dan scatter plot course ini dengan seaborn sebagai lapisan statistik di atas matplotlib, lalu tambahkan countplot, heatmap matriks korelasi, dan pemetaan kelompok lewat hue — semuanya dari DataFrame dalam satu baris kode.

Buka →