Artikel ini adalah bagian 2 dari materi Python Data Visualization dengan Matplotlib, yang merupakan kelanjutan dari membuat plot data dengan Python sebelumnya. Pada bagian ini kita akan belajar mengenai Histogram dan Pie Plot.
Melalui artikel ini, kita akan belajar bagaimana memvisualisasikan data dengan beberapa bentuk diagram, antara lain: histogram, dan juga pie plot. Adapun untuk histogram sendiri, ada dua tipe yang nanti akan dibahas yaitu stacked histogram, dan horizontal histogram, .
Salah satu kemampuan yang harus dimiliki seorang Data Scientist adalah Python Data Visualization. Data Visualization penting untuk kita supaya bisa mendapatkan gambaran mengenai persebaran data serta insight di dataset. Common case nya adalah Data Scientist diharuskan untuk mem-produce data visualization dari csv dataset. Hal itu dapat dilakukan dengan Matplotlib library.
Di tutorial Python Data Visualization part 1 ini, kita akan belajar bagaimana membuat basic plotting dan bar plot menggunakan salah satu library Python yang handal, yaitu Matplotlib.
Microsoft Dynamics Axapta (AX) merupakan salah satu Enterprise Resource Planning (ERP) yang popular dalam hal implementasi sistem yang saling menintegrasikan beberapa modul yang dimiliki. Salah satu modul yang cukup banyak digunakan perusahaan adalah modul Inventory Management. Bisnis proses yang umumnya dijalankan pada modul tersebut berupa pencatatan keluar masuk barang, tracking aktivitas gudang, mengelola dan mengoptimasi aktivitas Gudang, serta adjustment inventory. Dari semua bisnis proses tersebut, terdapat salah satu konsep yang paling sering digunakan dalam pengelolaan persediaan, yaitu konsep Inventory Dimension.
Konsep Inventory Dimension berfungsi untuk mengelompokan nilai persediaan barang ke dalam beberapa karakteristik fisik produk dan lokasi penyimpanan produk. Seperti kebanyakan sistem enterprise lainnya, ERP Microsoft Dynamics AX menggunakan Relational Database sehingga pemahaman mengenai normalisasi table sangat penting dalam hal ini. Manfaat dari mememahami konsep Inventory Dimension ini adalah membuat kita mampu membuat custom aplikasi / menampilkan data yang diperlukan di dalam database ERP. Konsep ini juga dapat dijadikan pemahaman dasar untuk membuat aplikasi Inventory (Persediaan Barang) yang dikembangkan dengan Bahasa program maupun environment yang berbeda (selain ERP AX). Dalam pembahasan ini, kita akan perkecil pembahasan hanya dalam ruang lingkup perhitungan kuantitas barang, perhitungan nilai barang tidak kita bahas dalam artikel ini.
SVM (Support Vector Machine) merupakan salah satu metode yang sering digunakan dalam Python clasification algorithm. SVM merupakan salah satu metode dalam supervised learning yang biasanya digunakan untuk klasifikasi dan regresi. SVM memiliki konsep yang lebih matang dan lebih jelas secara matematis dibandingkan dengan teknik-teknik klasifikasi lainnya di dalam pemodelan klasifikasi. SVM juga dapat mengatasi masalah klasifikasi dan regresi dengan linear maupun non linear.
Adapun untuk memvisualisasikan performance dari sebuah algoritma, dapat menggunakan tabel confusion matrix, yang sering disebut juga error matrix.
Artikel kali ini akan membahas implementasi SVM di Python dan melihat performancenya menggunakan confusion matrix. Untuk memudahkan pembahasan, nantinya akan diambil sebuah studi kasus.
Salah satu kasus yang sering dihadapi seorang Data Scientist adalah diberikan dataset yang stukturnya tidak cocok dengan kebutuhan untuk membuat Machine Learning Model. Sehingga perlu adanya penanganan manual yang termasuk dalam tahap pre-processing data.
Pada artikel ini kita akan membahas bagaimana mengenerate file CSV berdasarkan kategori dengan Python menggunakan library Pandas, OS, dan NumPy.
Dalam banyak kasus di datascience, seringkali dijumpai dataset yang berisi data kategori berbentuk non numerik. Sebagai contoh misalkan dataset karyawan yang di dalamnya terdapat kolom gender, di mana datanya berupa kategori ‘laki-laki’ atau ‘perempuan’. Contoh lainnya, masih dari dataset karyawan, misalnya jenis karyawan: ‘karyawan tetap’, ‘karyawan kontrak’, ‘freelance’. Data-data kategori dalam dataset yang diberikan pada contoh tersebut berupa string. Untuk keperluan pengolahan data, misalnya di machine learning, data-data tersebut harus dinyatakan ke dalam format numerik (encoding) supaya dapat diolah menggunakan formula matematika.
Artikel ini akan menjelaskan bagaimana melakukan encoding data kategori (categorical data) ke dalam numerik menggunakan Python. Dengan menggunakan library tertentu, proses ini dapat dilakukan dengan mudah dan cepat tanpa perlu banyak coding. Proses encoding data ke numerik ini masuk ke dalam proses data pre processing.
Dalam datascience, sering kali kita jumpai data-data yang tidak utuh, atau hilang (missing data atau missing value). Sebagai contoh adalah data berikut ini:
Gambar di atas menunjukkan data ketepatan waktu lulus dari mahasiswa dari beberapa program studi. Dalam hal ini kolom ‘Prodi’, ‘Usia’, dan ‘IPK’ kita sebut sebagai variabel bebas (X) dan kolom ‘LulusTepatWaktu’ sebagai variabel terikat (y). Jika diperhatikan, maka ada beberapa missing data dalam X, yaitu pada kolom ‘Usia’ dan ‘IPK’, khususnya pada data baris ke-4 dan 7.
Dalam praktiknya, missing data bisa disebabkan karena ada kendala pada aplikasi atau software yang digunakan untuk menyimpan data tersebut, human error, atau bisa juga disebabkan karena alat yang rusak.
Tutorial Java kali ini akan membahas tentang encapsulation atau pengkapsulan, yang merupakan salah satu fitur di dalam pemrograman berorientasi obyek. Secara umum fitur ini bertujuan untuk mengontrol aksesibilitas properti dari sebuah obyek/class, khususnya atribut. Melalui fitur ini, kita dapat menentukan atribut mana yang bersifat read only, atau write only, atau bahkan keduanya. Selain itu, fitur ini juga dapat digunakan melakukan validitas terhadap value yang akan diassign pada sebuah atribut.
Apa dan bagaimana penerapan lebih dalam mengenai encapsulation di Java akan dipaparkan di artikel ini. Penerapan encapsulation nantinya akan diberikan melalui sebuah studi kasus.
