Langsung ke konten utama

Visualisasi Data dengan Peta sebagai Pendukung Analisis Spasial (Spatial Analysis)

Visualisasi data dengan peta spasial Analisis spasial atau berbasis kewilayahan akhir-akhir ini semakin banyak diminati. Selain mempunyai daya tarik karena enak dipandang mata, visualisasi spasial dengan peta ini juga dinilai meningkatkan kecepatan pemahaman pengguna informasi yang disajikan. Bila data yang kita miliki memiliki variabel lokasi atau kontur, visualisasi spasial bisa jadi menjadi pilihan tepat. Dengan berbekal peta berekstensi *shp dan sebuah data lokasi atau kontur, visualisasi spasial dapat diterapkan secara mudah. Namun kenyataannya, tidak mudah bagi kita untuk melakukan visualisasi data secara spasial. Beberapa data yang diperlukan adalah garis lintang dan bujur, juga data yang akan divisualkan. Misalkan data Angka Kematian Bayi (AKB). Sebelum praktikum, ada baiknya kita pahami dulu apa itu AKB. Menurut Badan Pusat Statistik (BPS), Angka Kematian Bayi adalah banyaknya bayi yang meninggal sebelum mencapai umur 1 tahun pada waktu tertentu per 1.000 kelahiran hidup pada
Posting Komentar

Cara Import Data Excel ke dalam Python (Step by Step)

Import Excel dalam Python

Halo teman-teman, bertemu lagi dengan blog sederhana ini. Kita sekalian telah belajar bagaimana melakukan download dan install program Python dan Jupyter Notebook. Kali ini, kita akan membuka lembaran kedua dari pembahasan Python dengan bagaimana cara import data Excel ke dalam Python.

Pada bahasan ini, kita akan coba menggunakan data yang saya telah saya siapkan. Data ini merupakan data hasil web scraping situs jual beli hewan ternak termasuk pakan ternak. Data ini menarik mengingat belakangan ini, banyak masyarakat antusias dengan hewan peliharaan, khususnya di Indonesia. Efek Pandemi Covid-19 yang menerpa lebih dari 2 tahun membuat kebiasaan baru atau selama Work from Home (WFH) terbawa hingga sekarang. Penyuka hewan peliharaan seperti kucing, kelinci, burung, merupakan kebiasaan atau bisa pula menjadi hobi baru seseorang. Tidak hanya itu, ke depan saya juga tertarik mengamati data-data jual beli sepeda (onthel dan pancal) karena kebiasaan bersepeda ini juga menjadi kegemaran baru pasca puncak pandemi.

Baik, itu sekilas gambaran mengenai data yang akan kita gunakan. Di dalam Python, ketika kita akan mengimport data, ada beberapa perbedaan mendasar dengan ketika menggunakan R. Perbedaan mendasar itu selain jenis package yang digunakan berbeda, kita juga harus paham bagaimana format pemanggilan datanya. Kalau di R, format import dari komputer selalu menggunakan tanda slash "/" untuk mencari tempat dari data disimpan, sedangkan dalam Python, kita menggunakan tanda "\\", tinggal menambahkan "\" satu lagi alamat file hasil ekstrak di komputer.

Cara memperoleh alamat file yang akan diimport dalam Python

Dari hasil copy dan paste: C:\Users\56848\data kalau di Python diubah menjadi C:\\Users\\56848\\data\\ternak.xlsx. Ekstensi *xlsx kita gunakan setelah nama dari file yang akan diimport ke dalam Python. Sedangkan di R, kita justru membalikkan tanda "\" menjadi "/" atau menjadi: C:/Users/56848/data/ternak.xlsx. Inilah perbedaan paling dasar dari Python dan R saat proses import data.

Setelah mengetahui perbedaan itu, selanjutnya kita akan langsung praktikkan cara import data Excel ke dalam Python. Adapun datanya bisa teman-teman unduh pada tautan berikut.

Berikutnya, untuk melakukan praktik import data ke dalam Python Jupyter Notebook, kita dapat mengikuti beberapa code berikut:

#Melakukan instalasi package dengan pip install (nama package)
!pip install pandas

Requirement already satisfied: pandas in c:\users\56848\appdata\local\programs\python\python310\lib\site-packages (1.4.1)
Requirement already satisfied: numpy>=1.21.0 in c:\users\56848\appdata\local\programs\python\python310\lib\site-packages (from pandas) (1.22.3)
Requirement already satisfied: pytz>=2020.1 in c:\users\56848\appdata\local\programs\python\python310\lib\site-packages (from pandas) (2021.3)
Requirement already satisfied: python-dateutil>=2.8.1 in c:\users\56848\appdata\local\programs\python\python310\lib\site-packages (from pandas) (2.8.2)
Requirement already satisfied: six>=1.5 in c:\users\56848\appdata\local\programs\python\python310\lib\site-packages (from python-dateutil>=2.8.1->pandas) (1.16.0)

WARNING: You are using pip version 22.0.4; however, version 22.1.2 is available.
You should consider upgrading via the 'C:\Users\56848\AppData\Local\Programs\Python\Python310\python.exe -m pip install --upgrade pip' command.

#Aktivasi package pandas dengan cara import
import pandas as pd

#Instalasi package openpyxl untuk kebutuhan import data berekstensi *xlsx atau file Excel
!pip install openpyxl

Requirement already satisfied: openpyxl in c:\users\56848\appdata\local\programs\python\python310\lib\site-packages (3.0.10)
Requirement already satisfied: et-xmlfile in c:\users\56848\appdata\local\programs\python\python310\lib\site-packages (from openpyxl) (1.1.0)

WARNING: You are using pip version 22.0.4; however, version 22.1.2 is available.
You should consider upgrading via the 'C:\Users\56848\AppData\Local\Programs\Python\Python310\python.exe -m pip install --upgrade pip' command.

#Import data Excel
df = pd.read_excel("C:\\Users\\56848\\data\\ternak.xlsx")

 #Melihat 5 data teratas
df.head()

Hasil dari 5 data teratas

#Melihat 10 data teratas
df.head(10)


 

10 data teratas

#Melihat 5 data terbawah
df.tail(5)

5 data terbawah

#Analisis deskriptif data
df.describe()

Deskriptif data

Demikian sedikit sharing kita bagaimana melakukan import data Excel ke dalam Python dan melakukan identifikasi awal terhadap data. Selamat memahami dan mempraktikkan!

Label:

Komentar

Posting Komentar

Postingan populer dari blog ini

Pemodelan Autoregressive Integrated Moving Average (ARIMA Model) dengan R

ARIMA dengan R Jumpa lagi teman-teman, sebelumnya saya mohon maaf karena kemarin tidak sempat membuat unggahan terbaru di blog ini. Baik, sebelumnya kita telah mengulas tentang pemodelan Geographically Weigthed Regression (GWR) dengan R. Kali ini, kita akan melanjutkan belajar bersama mengenai pemodelan yang tak asing lagi dan populer hingga kini, yaitu pemodelan Autoregressive Integrated Moving Average (ARIMA). Kita akan membahas ARIMA secara langsung tanpa membahas AR dan MA secara tersendiri mengingat pada dasarnya ARIMA adalah model perpaduan antara model AR dengan order p , MA dengan order q dan aspek differencing dengan order d . Artinya, ketika kita mendengar istilah AR(1), maka sebenarnya itu adalah ARIMA(1, 0, 0), ketika kita mendengar ARI(1,1), maka aslinya itu ARIMA(1, 1, 0), atau bila mendengar MA(3), itu sebenarnya ARIMA(0, 0, 3) atau IMA(2,1) sebenarnya adalah ARIMA(0, 2, 1). Data runtun waktu atau time series merupakan salah satu jenis data yang hingga kini banyak digun
Posting Komentar
Baca selengkapnya

Machine Learning: Memahami Reinforcement Learning

Reinforcement Learning Halo teman-teman, pada pembahasan sebelumnya, kita telah berusaha memahami mengenai supervised learning dan unsupervised learning . Sebelum lanjut ke pemodelan statistik selanjutnya, ada baiknya kita membahas tentang satu lagi jenis algoritma machine learning yang akhir-akhir ini banyak digunakan dalam membentuk artificial intelligence (AI), yaitu algoritma reinforcement learning . Kita ke pengertian berdasarkan studi literatur daring ( online ) dulu teman-teman. Saya coba mengambil salah satu pengertian reinforcement learning, misalkan dari situsnya Algoritma, menyatakan bahwa reinforcement learning merupakan algoritma yang diterapkan untuk pembelajaran mesin ( machine learning ) sedemikian rupa sehingga dapat menentukan aksi yang tepat dan pada akhirnya sebuah program dapat bekerja secara otomatis memberikan hasil atau putusan yang benar. Lebih lanjut dalam situs algoritma mengangkat sebuah perumpamaan reinforcement learning dengan menggunakan proses penugasan
Posting Komentar
Baca selengkapnya

Machine Learning: Perbedaan Supervised Learning dan Unsupervised Learning

Perbedaan supervised learning dan unsupervised learning Halo teman-teman, kemarin kita telah mengawali bahasan mengenai salah satu anggota dari Machine Learning sekaligus merupakan contoh dari algoritma supervised learning , yaitu Naive Bayes Classifier (NBC). Akhir-akhir ini, dunia sains data dihebohkan dengan berbagai istilah statistik yang berkaitan erat dengan komputasi atau komputasi statistik, yaitu supervised learning dan unsupervised learning . Sebenarnya ada lagi istilah baru dan cukup makin sulit menyederhanakan definisinya, yaitu reinforcement learning , tapi khusus reinforcement learning nanti akan kita bahas tersendiri karena kita mulai bersinggungan dengan Artificial Intelligence atau kecerdasan buatan. Jujur, saya mengakui bahwa tidak semua dari kita memiliki latar belakang apalagi pakar teknologi informasi (IT). Sehingga, bila kita cermati bahasan-bahasan atau istilah komputasi statistik, sains data, atau data engineering , kita mungkin akan sejenak loading , bahkan s
Posting Komentar
Baca selengkapnya