📘 Apa yang Akan Dipelajari?

Pada artikel ini kamu akan mempelajari:

• Mengenal Exploratory Data Analysis (EDA).
• Memahami apa yang dimaksud dengan distribusi data.
• Mengetahui mengapa distribusi data perlu dipahami sebelum melakukan analisis.
• Membuat histogram menggunakan Python dan Matplotlib.
• Membuat boxplot menggunakan Python dan Matplotlib.
• Membaca informasi sederhana dari histogram dan boxplot.
• Mengenali kemungkinan outlier pada sebuah dataset.
• Menulis insight sederhana berdasarkan hasil visualisasi.

💡 Pendahuluan

Setelah data melalui proses data cleaning, langkah berikutnya bukan langsung mengambil kesimpulan dari angka yang tersedia. Pada artikel sebelumnya, kita telah membahas bagaimana Data Cleaning dengan Pandas digunakan untuk memeriksa dan memperbaiki berbagai masalah pada dataset. Tahap tersebut menjadi dasar sebelum kita melanjutkan ke proses Exploratory Data Analysis (EDA).

Dua dataset dapat memiliki nilai rata-rata yang sama, tetapi pola persebaran datanya bisa sangat berbeda. Jika hanya melihat tabel atau nilai rata-rata, perbedaan tersebut mungkin sulit terlihat. Oleh karena itu, visualisasi dapat membantu kita memahami kondisi data dengan lebih mudah.

Dalam proses Exploratory Data Analysis (EDA), salah satu hal yang perlu diperhatikan adalah distribusi data. Distribusi data menunjukkan bagaimana nilai-nilai dalam dataset tersebar. Dengan memahami distribusi data Python, kita dapat mengetahui apakah sebagian besar nilai berkumpul pada rentang tertentu, apakah data memiliki penyebaran yang luas, atau terdapat nilai yang berbeda jauh dari kelompok lainnya.

Untuk melihat kondisi tersebut, kita dapat menggunakan beberapa jenis visualisasi. Histogram dapat digunakan untuk melihat pola distribusi secara umum, sedangkan boxplot membantu melihat persebaran data dan kemungkinan adanya outlier.

Oleh karena itu, memahami distribusi data merupakan salah satu langkah penting dalam Exploratory Data Analysis. Dengan melihat data secara visual, pola yang sulit dikenali hanya dari tabel angka dapat menjadi lebih mudah dipahami.

⚠️ Sebelum Memulai

Sebelum mengikuti praktik pada artikel ini, pastikan kamu telah menyiapkan:

• Akun Google untuk menggunakan Google Colab.
• Browser seperti Google Chrome atau Microsoft Edge.
• Koneksi internet.
• Pemahaman dasar Python.
• Pemahaman dasar penggunaan Pandas.
• Pemahaman dasar mengenai Data Cleaning.

Pada praktik kali ini kita akan menggunakan Google Colab sehingga tidak perlu melakukan instalasi Python secara manual.

💻 Mengenal Exploratory Data Analysis

Exploratory Data Analysis atau EDA adalah proses mengeksplorasi dataset untuk memahami isi, karakteristik, pola, dan hubungan yang terdapat di dalam data.

EDA biasanya dilakukan setelah data melalui proses pemeriksaan dan pembersihan. Tujuannya bukan hanya membuat grafik, tetapi mencari informasi yang dapat membantu kita memahami kondisi dataset.

Secara sederhana, prosesnya dapat digambarkan sebagai berikut:

Data Mentah
     ↓
Data Cleaning
     ↓
Dataset Lebih Siap
     ↓
Exploratory Data Analysis
     ↓
Visualisasi dan Statistik
     ↓
Menemukan Pola
     ↓
Insight

Pada tahap EDA, kita dapat menggunakan statistik sederhana maupun visualisasi untuk mendapatkan gambaran awal mengenai dataset.

Salah satu hal yang dapat dianalisis adalah distribusi data.

📊 Apa Itu Distribusi Data?

Distribusi data adalah gambaran mengenai bagaimana nilai-nilai dalam suatu dataset tersebar.

Sebagai contoh, kita memiliki data nilai siswa:

60, 65, 70, 70, 72, 75, 75, 78, 80, 80, 82, 85, 85, 88, 90

Dari angka tersebut kita dapat mengajukan beberapa pertanyaan:

• Nilai apa yang paling banyak muncul?
• Apakah sebagian besar nilai berada pada rentang tertentu?
• Apakah data tersebar secara merata?
• Apakah terdapat nilai yang jauh berbeda dari data lainnya?

Jika hanya melihat daftar angka, pertanyaan tersebut cukup sulit dijawab dengan cepat. Dengan menggunakan visualisasi, persebaran nilai tersebut dapat dilihat dengan lebih jelas.

Dua visualisasi yang akan digunakan pada artikel ini adalah histogram dan boxplot.

📊 Membuat Dataset untuk Praktik

Kita akan menggunakan dataset sederhana berupa nilai siswa.

Buka Google Colab, kemudian buat notebook baru dan jalankan kode berikut:

import pandas as pd

data = pd.DataFrame({
    "Nilai": [
        60, 65, 70, 70, 72, 75, 75, 78,
        80, 80, 82, 85, 85, 88, 90, 92, 95
    ]
})

print(data

Kode tersebut membuat sebuah DataFrame dengan satu kolom bernama Nilai.

Output yang dihasilkan akan menampilkan data seperti berikut:

    Nilai
0      60
1      65
2      70
3      70
4      72
5      75
6      75
7      78
8      80
9      80
10     82
11     85
12     85
13     88
14     90
15     92
16     95

Ambil screenshot yang memperlihatkan kode pembuatan dataset dan hasil outputnya di Google Colab.

📈 Membuat Histogram dengan Python

Histogram merupakan grafik yang digunakan untuk melihat distribusi atau persebaran data berdasarkan kelompok nilai tertentu.

Untuk membuat histogram, kita dapat menggunakan library Matplotlib.

Jalankan kode berikut:

import matplotlib.pyplot as plt

plt.hist(data["Nilai"], bins=5)

plt.title("Distribusi Nilai")
plt.xlabel("Nilai")
plt.ylabel("Jumlah")

plt.show()

Fungsi plt.hist() digunakan untuk membuat histogram.

Pada contoh tersebut:

• data["Nilai"] merupakan data yang akan divisualisasikan.
• bins=5 membagi data ke dalam lima kelompok.
• plt.title() memberikan judul grafik.
• plt.xlabel() memberikan nama pada sumbu X.
• plt.ylabel() memberikan nama pada sumbu Y.
• plt.show() menampilkan grafik.

hasilnya

🔍 Cara Membaca Histogram

Setelah histogram berhasil dibuat, jangan hanya melihat bentuk grafiknya. Cobalah membaca informasi yang terdapat di dalamnya.

Beberapa hal yang dapat diperhatikan antara lain:

1. Rentang nilai

Perhatikan nilai terendah hingga nilai tertinggi yang terdapat pada grafik.

2. Kelompok dengan jumlah data terbanyak

Lihat bagian grafik yang memiliki batang paling tinggi. Bagian tersebut menunjukkan rentang nilai dengan jumlah data yang lebih banyak.

3. Penyebaran data

Perhatikan apakah data hanya berkumpul pada satu rentang atau tersebar ke berbagai rentang nilai.

4. Nilai yang berbeda jauh

Jika terdapat data yang jauh dari kelompok utama, kondisi tersebut perlu diperiksa lebih lanjut.

Pada dataset yang digunakan dalam contoh, sebagian besar nilai berada pada rentang menengah hingga tinggi. Hal tersebut dapat terlihat dari beberapa batang histogram yang lebih tinggi pada rentang tersebut.

Namun, kesimpulan yang dibuat harus tetap berdasarkan grafik dan dataset yang digunakan. Jangan membuat kesimpulan yang tidak didukung oleh data.

📦 Mengenal Boxplot

Selain histogram, kita dapat menggunakan boxplot untuk melihat persebaran data.

Boxplot merupakan salah satu visualisasi yang dapat membantu melihat posisi tengah data, persebaran data, serta kemungkinan adanya nilai yang berbeda jauh dari kelompok utama.

Secara sederhana, boxplot memiliki beberapa bagian yang menggambarkan karakteristik data, seperti median, kuartil, dan rentang data.

Salah satu kegunaan boxplot yang cukup penting dalam EDA adalah membantu menemukan kemungkinan outlier.

Outlier adalah nilai yang terlihat jauh berbeda dibandingkan sebagian besar data lainnya.

Namun, perlu diperhatikan bahwa outlier tidak selalu berarti data tersebut salah. Nilai tersebut tetap perlu diperiksa berdasarkan konteks dataset sebelum diputuskan untuk dihapus atau dipertahankan.

🧪 Membuat Boxplot dengan Python

Kita dapat membuat boxplot menggunakan Matplotlib.

Jalankan kode berikut:

plt.boxplot(data["Nilai"])

plt.title("Distribusi Nilai")
plt.ylabel("Nilai")

plt.show()

Setelah kode dijalankan, Google Colab akan menampilkan sebuah boxplot berdasarkan data nilai yang telah dibuat sebelumnya.

hasilnya

🔍 Cara Membaca Boxplot

Boxplot dapat memberikan informasi yang berbeda dari histogram.

Beberapa bagian yang dapat diperhatikan adalah:

• Garis di dalam kotak menunjukkan median.
• Kotak menunjukkan bagian utama dari persebaran data.
• Garis yang memanjang dari kotak menunjukkan rentang data.
• Titik yang berada jauh dari kelompok utama dapat menjadi indikasi adanya outlier.

Dengan melihat boxplot, kita dapat memperoleh gambaran mengenai seberapa tersebar data yang digunakan.

Jika terdapat titik yang berada jauh dari bagian utama grafik, jangan langsung menghapusnya. Periksa terlebih dahulu data tersebut dan cari tahu apakah nilai tersebut memang merupakan kesalahan atau justru merupakan kondisi nyata.

🧪 Membandingkan Histogram dan Boxplot

Histogram dan boxplot dapat digunakan secara bersamaan karena keduanya memberikan sudut pandang yang berbeda.

Kita dapat membuat kedua grafik tersebut dengan kode berikut:

plt.hist(data["Nilai"], bins=5)

plt.title("Histogram Nilai")
plt.xlabel("Nilai")
plt.ylabel("Jumlah")

plt.show()


plt.boxplot(data["Nilai"])

plt.title("Boxplot Nilai")
plt.ylabel("Nilai")

plt.show()

Histogram membantu melihat bagaimana data terbagi ke dalam beberapa rentang nilai, sedangkan boxplot memberikan gambaran mengenai persebaran data dan kemungkinan adanya nilai yang berbeda jauh.

Dengan menggunakan kedua visualisasi tersebut, proses analisis distribusi data Python menjadi lebih mudah dilakukan karena kita tidak hanya bergantung pada satu jenis grafik.

💼 Dalam Dunia Kerja

Dalam pekerjaan Data Analyst, visualisasi seperti histogram dan boxplot dapat digunakan sebagai bagian dari proses pemeriksaan dataset.

Sebagai contoh, seorang analis mungkin mendapatkan data transaksi dari sebuah toko. Rata-rata nilai transaksi dapat terlihat tinggi, tetapi rata-rata saja belum tentu menggambarkan kondisi keseluruhan.

Bisa saja sebagian besar transaksi berada pada nilai rendah, sementara hanya beberapa transaksi yang memiliki nilai sangat tinggi.

Jika hanya menggunakan rata-rata, kondisi tersebut dapat sulit terlihat. Dengan menggunakan visualisasi distribusi, analis dapat memperoleh gambaran yang lebih lengkap mengenai data.

Hasil eksplorasi tersebut kemudian dapat digunakan untuk menentukan analisis berikutnya atau menjadi bahan pertimbangan ketika menyusun laporan.

❌ Kesalahan yang Sering Dilakukan Pemula

Beberapa kesalahan yang sering dilakukan ketika mulai mempelajari visualisasi data antara lain:

• Membuat grafik tanpa mengetahui tujuan analisis.
• Menggunakan terlalu banyak jenis grafik dalam satu analisis.
• Tidak memberikan judul pada grafik.
• Tidak memberikan label pada sumbu.
• Menganggap semua outlier sebagai kesalahan.
• Membuat kesimpulan hanya berdasarkan satu grafik.
• Tidak memeriksa kembali dataset sebelum membuat visualisasi.

Grafik seharusnya digunakan untuk membantu menjawab pertanyaan mengenai data, bukan hanya untuk membuat laporan terlihat lebih menarik.

⭐ Tips dan Best Practice

Berikut beberapa kebiasaan yang dapat diterapkan ketika melakukan EDA:

1. Kenali dataset terlebih dahulu sebelum membuat grafik.
2. Tentukan pertanyaan yang ingin dijawab sebelum memilih jenis visualisasi.
3. Gunakan judul dan label yang jelas agar grafik mudah dipahami.
4. Jangan langsung menghapus outlier hanya karena terlihat berbeda.
5. Gunakan lebih dari satu metode visualisasi jika diperlukan.
6. Catat insight yang ditemukan selama proses eksplorasi.
7. Pastikan kesimpulan yang dibuat benar-benar didukung oleh data.

🧩 Mini Challenge

Sekarang coba lakukan eksplorasi menggunakan dataset berikut:

data = pd.DataFrame({
    "Nilai": [
        55, 60, 65, 70, 70, 72, 75, 78,
        80, 82, 85, 88, 90, 92, 95
    ]
})

print(data)

Tugas:

1. Buat histogram menggunakan data tersebut.
2. Buat boxplot.
3. Perhatikan persebaran data.
4. Cari tahu apakah terdapat nilai yang terlihat berbeda dari kelompok lainnya.
5. Tuliskan minimal satu insight berdasarkan hasil visualisasi.

Contoh format insight:

Berdasarkan histogram, sebagian besar data berada pada rentang ______.
Sementara itu, berdasarkan boxplot, dapat dilihat bahwa ______.

Dengan latihan ini, kamu tidak hanya belajar menjalankan kode, tetapi juga mulai berlatih mengubah hasil visualisasi menjadi sebuah informasi.

📖 Tahukah Kamu?

EDA tidak selalu menghasilkan kesimpulan akhir. Dalam banyak kasus, tujuan utama EDA adalah menemukan pertanyaan baru yang perlu diteliti lebih lanjut.

Misalnya, ketika melihat sebuah nilai yang sangat berbeda dari data lainnya, seorang analis dapat bertanya:

Mengapa nilai tersebut berbeda?

Pertanyaan tersebut kemudian dapat mengarahkan proses analisis berikutnya.

Karena itu, EDA dapat dianggap sebagai tahap untuk mengenali data sebelum melakukan analisis yang lebih mendalam.

🎯 Kesimpulan

Exploratory Data Analysis merupakan salah satu tahapan penting dalam proses Data Analysis. Setelah dataset dibersihkan, kita perlu memahami karakteristik data sebelum melanjutkan ke analisis berikutnya.

Distribusi data membantu kita melihat bagaimana nilai-nilai dalam dataset tersebar. Histogram dapat digunakan untuk melihat jumlah data pada berbagai rentang nilai, sedangkan boxplot dapat membantu memahami persebaran data dan menemukan kemungkinan outlier.

Melalui praktik sederhana menggunakan Python, Pandas, dan Matplotlib, kita dapat mulai memahami data tidak hanya melalui tabel angka, tetapi juga melalui visualisasi.

Hal yang paling penting adalah tidak berhenti pada pembuatan grafik. Setelah grafik dibuat, kita perlu mengamati hasilnya, mencari pola, kemudian mengubahnya menjadi insight yang didukung oleh data.

📚 Referensi

• Dokumentasi Python
• Dokumentasi Pandas
• Dokumentasi Matplotlib

✍️ Penulis

Ditulis oleh: Maulana Aldi Pradana