Tugas 1 | Statistik Deskriptif data#

Statistika deskriptif adalah metode yang berkaitan dengan pengumpulan / penyajian data hingga memberi informasi yang berguna.

Statistika di klasifikasikan menjadi dua yaitu statistika deskriptif dan statistika inferensia dilakukan berdasarkan aktivitas yang dilakukan.

Run this code#

Import libary python#

import pandas as pd 
from matplotlib import rcParams, cycler
import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import skew
import seaborn as sns

1. membuat data dari url#

Menampilkan data dalam bentuk table, Kasus Covid 19 Positif yang lebih dari sama dengan 1.

df = pd.read_csv("https://raw.githubusercontent.com/yanchespenda/covid19-indonesia-datasource-csv/master/provinsi/hari%20ini/Jawa%20Timur.csv")
kasus = df[df['Positif'] >=1]
kasus

	Kabupaten/Kota	Positif	Odp	Pdp	Terakhir Update
0	Kabupaten Blitar	1	282	2	30-03-2020
1	Kabupaten Tulungagung	1	462	26	30-03-2020
4	Kabupaten Situbondo	4	121	3	30-03-2020
5	Kota Batu	1	70	1	30-03-2020
6	Kota Surabaya	41	206	61	30-03-2020
7	Kota Blitar	1	102	1	30-03-2020
10	Kota Kediri	1	71	1	30-03-2020
11	Kabupaten Lumajang	3	104	8	30-03-2020
12	Kabupaten Banyuwangi	1	196	1	30-03-2020
13	Kabupaten Jember	2	207	10	30-03-2020
14	Kota Malang	4	165	16	30-03-2020
17	Kabupaten Pamekasan	1	115	1	30-03-2020
25	Kabupaten Gresik	2	153	25	30-03-2020
26	Kabupaten Jombang	1	146	3	30-03-2020
28	Kabupaten Kediri	2	107	5	30-03-2020
29	Kabupaten Sidoarjo	10	124	49	30-03-2020
33	Kabupaten Malang	5	69	18	30-03-2020
34	Kabupaten Magetan	9	43	9	30-03-2020

menampilkan data dalam bentuk chart#

x = kasus['Kabupaten/Kota']
kota = []
for i in x:
   namakota = i.split()
   kota.append(namakota[1])
y = kasus['Positif']
plt.xlabel('Positif')
plt.ylabel('Kabupaten')
plt.barh(kota,y)
plt.title('Data Covid19 Jatim 30-3-2020 Positif')
plt.show()

2. Membuat statistik diskriptif dari data (bertipe numerik)#

Rumus mean :

𝓶 = \(\frac {Σxˌ}{𝓷}\)

  ket:
  - 𝓶 = mean/ nilai rata - rata 
  - 𝒙ˌ = jumlah data
  - 𝓷  = banyaknya data

Rumus Max :

Nilai Terakhir dari 𝐗[n] ;

  ket:
  - 𝐗 = Daftar nilai yang di urutkan dalam set data
  - n = Jumlah nilai dalam set data

Rumus Min :

Nilai Pertama dari 𝐗[n] ;

  ket:
  - 𝐗 = Daftar nilai yang di urutkan dalam set data
  - n = Jumlah nilai dalam set data

Rumus Simpangan Baku :

𝞼 = \(\sqrt{\frac{Σ(𝒙ˌ-𝜇)^2}{N}} \)

  ket:
  - 𝞼  = Simpangan baku populasi
  - N  = Jumlah Populasi
  - 𝔁ᵢ = Setiap nilai dari populasi
  - 𝞵  = rata - rata populasi

Rumus Median :

Med(𝑿) = 𝑿[\(\frac{n}{2}\)] ; Jika n Genap

Med(𝑿) = \(\frac{𝑿[\frac{n-1}{2}]+ 𝑿[\frac{n+1}{2}]}{2}\) ; Jika n Ganjil

  ket:
  𝑿 = Daftar nilai yang diurutkan dalam set data
  n = Jumlah nilai dalam set data

Rumus Rentang Data / Range :

R = 𝐱 max - 𝐱 min

  ket:
  R = Rentang data
  x = nilai dari suatu kumpulan data

Rumus Quartil:

\(Q_i = Tb +[\frac{\frac{1}{4}n-f_k}{f_i}]\)

  ket:
  Q = kuartil ke -i
  n = banyak data
  f = frekuensi kelas ke - i
  b = tepi bawah

Dengan Menggunakan libary langsung#

dataDis = df.describe()
for i in dataDis:
  plt.plot(dataDis[i],label=i)
  plt.legend()

Dengan Pencarian Manual data diskriptif Positif#

x = ['median','mean', 'kasus max','kasus min','sim_baku', 'rentang_data']
mean_Positif = df.Positif.mean()
kasus_Positifmax = df.Positif.max()
kasus_Positifmin = df.Positif.min()
simpanganBaku_Positif = df.Positif.std()
rentangData_Positif = df.Positif.max() - df.Positif.min()
median_Positif = df.Positif.median()

data diskriptif Odp#

mean_odp = df.Odp.mean()
kasus_Odpmax = df.Odp.max()
kasus_Odpmin = df.Odp.min()
simpanganBaku_odp = df.Odp.std()
rentangData_odp = df.Odp.max() - df.Odp.min()
median_Odp = df.Odp.median()

data diskriptif Pdp#

mean_Pdp = df.Pdp.mean()
kasus_Pdpmax = df.Pdp.max()
kasus_Pdpmin = df.Pdp.min()
simpanganBaku_Pdp = df.Pdp.std()
rentangData_Pdp = df.Pdp.max() - df.Pdp.min()
median_Pdp = df.Pdp.median()

plt.plot(x,[median_Positif,mean_Positif,kasus_Positifmax,kasus_Positifmin,simpanganBaku_Positif,rentangData_Positif],color='r',label='Positif')
plt.plot(x,[median_Odp,mean_odp,kasus_Odpmax,kasus_Odpmin,simpanganBaku_odp,rentangData_odp],color= 'g' , label = 'Odp')
plt.plot(x,[median_Pdp,mean_Pdp,kasus_Pdpmax,kasus_Pdpmin,simpanganBaku_Pdp,rentangData_Pdp],color= 'b' , label = 'Pdp')
plt.xlabel("Data")
plt.ylabel("Angka")
plt.title("Statistik Diskriptif Covid19 Jatim 30-3-2020")
plt.legend()
plt.show()

3. Mendeskripsikan Skewned dari data setiap variable (bertipe numerik)#

Rumus SKEW / ukuran kemiringan :

Sk = \(\frac{3(𝜇 - Med)}{σ} \)

  ket:
  Sk  = skew / ukuran kemiringan
  𝜇   = nilai rata - rata hitung
  Med = median
  σ   = simpangan baku / standar deviasi

data_num = df.select_dtypes(['int64','float64'])
for colom in data_num:
  print(' ')
  print(colom)
  print(skew(data_num[colom]))
  plt.figure()
  sns.displot(data_num[colom],kde=True)
  plt.title("Skew Data tipe Numerik")
  plt.show()