Analisis Data Eksploratif Status Gizi Balita Menurut Berat Lahir dan Pendapatan Keluarga

Info proyek

• Bidang studiKeperawatan dan Gizi
• JenjangSkripsi (S1)
• Jenis metodeKualitas Data
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatpandas describe, isna, corr; matplotlib hist, boxplot, imshow
• HargaRp 250.000 - Rp 1.700.000

Tujuan analisis

Menelusuri sebaran skor Z berat badan menurut umur dan hubungannya dengan berat badan lahir dan pendapatan keluarga melalui analisis data eksploratif.

Variabel

Contoh hasil

• 316Observations
• 174.822Mean
• 21.709Std. deviation
• 1.694Skewness
• 5.352Excess kurtosis
• 0.383Max |correlation|

EDA 316 observasi: Skor Z berat badan menurut umur rata-rata 174.82 (SD 21.71) dengan skewness 1.694; korelasi antar-variabel terkuat 0.383.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Analisis Data Eksploratif (EDA)

Analisis Data Eksploratif (EDA) meringkas dan memvisualisasikan data untuk memahami sebaran, hubungan, pola, dan masalah kualitas sebelum pemodelan. Selalu menjadi langkah awal bab metodologi atau hasil pada skripsi/tesis berbasis data.

Langkah pengerjaan

1. 1Muat data dan periksa dimensi serta tipe variabel
2. 2Hitung statistik deskriptif dan jumlah data hilang
3. 3Visualisasikan sebaran tiap variabel (histogram, boxplot)
4. 4Hitung dan visualisasikan korelasi antar variabel
5. 5Periksa outlier dan ketimpangan kelas
6. 6Catat temuan yang memengaruhi langkah pemodelan

Asumsi yang perlu diperiksa

• Data sudah dipahami konteksnya sehingga satuan dan tipe variabel jelas
• Visualisasi dipilih sesuai tipe variabel
• Temuan eksplorasi tidak dipakai sebagai pengujian hipotesis formal

Membaca dan melaporkan hasil

Ringkas statistik deskriptif dalam tabel dan sajikan 2 sampai 4 grafik kunci yang mendukung keputusan pemodelan. Jelaskan kondisi data hilang, outlier, dan korelasi yang kuat.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

rng = np.random.default_rng(35)
n = 250
birth_weight = rng.normal(40, 8, n)
household_income = rng.gamma(2.0, 3.0, n)
weight_for_age_z_score = 0.5 * birth_weight + 2 * household_income + rng.normal(0, 5, n)
df = pd.DataFrame({"x1": birth_weight, "x2": household_income, "y": weight_for_age_z_score})
df.loc[rng.choice(n, 12, replace=False), "x2"] = np.nan

print(df.shape)
print(df.dtypes)
print(df.describe().round(2))
print("Missing per column:\n", df.isna().sum())
corr = df.corr()
print(corr.round(2))

fig, ax = plt.subplots(2, 2, figsize=(10, 8))
ax[0, 0].hist(df["x1"], bins=25); ax[0, 0].set_title("x1")
ax[0, 1].hist(df["x2"].dropna(), bins=25); ax[0, 1].set_title("x2")
ax[1, 0].boxplot([df["x1"], df["x2"].dropna(), df["y"]])
ax[1, 0].set_xticklabels(["x1", "x2", "y"])
im = ax[1, 1].imshow(corr, vmin=-1, vmax=1, cmap="coolwarm")
ax[1, 1].set_xticks(range(3)); ax[1, 1].set_xticklabels(corr.columns)
ax[1, 1].set_yticks(range(3)); ax[1, 1].set_yticklabels(corr.columns)
plt.colorbar(im, ax=ax[1, 1])
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum