# Materi Pertemuan 2 — Memahami Data

## Daftar Isi
```{dropdown} Klik untuk membuka Daftar Isi
:open:

1. [Macam-macam Data](#macam-macam-data)
2. [Tipe Data Atribut](#tipe-data-atribut)
3. [Implementasi](#implementasi)
4. [Import library visualisasi](#import-library-visualisasi)
5. [Kode Program Implementasi Data IRIS.CSV dari Kaggle](#kode-program-implemnetasi-data-iriscsv-dari-kaggle)
```

Referensi: [Mulaab - Memahami Data](https://mulaab.github.io/datamining/memahami-data/)

## Macam-macam Data

- **Data Terstruktur** - data dalam bentuk tabel (kolom & baris), mudah disimpan di database/Excel/SQL
- **Data Tidak Terstruktur** - data yang bervariasi kontennya (email, teks bebas)
- **Bahasa Alami** - bahasa manusia (Indonesia, Inggris, dll)
- **Data Machine-Generated** - data otomatis dari mesin (weblog, IoT)
- **Data Graph** - data keterhubungan antar objek (media sosial)
- **Data Audio/Video/Citra** - data multimedia
- **Data Streaming** - data real-time dari ribuan sumber

## Tipe Data Atribut

| Tipe | Keterangan | Contoh |
|------|-----------|--------|
| **Nominal** | Kategori tanpa urutan | Warna rambut, pekerjaan |
| **Biner** | Hanya 2 nilai (0/1) | Merokok (ya/tidak) |
| **Ordinal** | Ada urutan, tapi jarak tidak diketahui | Kecil/Sedang/Besar |
| **Numerik** | Kuantitatif, terukur | Suhu, berat badan |

## Implementasi

Implementasi lengkap tersedia di notebook **Penambangan_Data_A_Pertemuan_2.ipynb** 
Klik Link Disini (https://colab.research.google.com/drive/1E3Q08hfZdSmWzxCUESfMqbEiIOpIxSuUusp=sharing)
yang mencakup:

1. Distribusi Data (distribusi normal, histogram, density plot)
2. Statistik Deskriptif (mean, median, modus, IQR, variansi, skewness, boxplot)
3. Jarak Numerik (Minkowski, Manhattan, Euclidean, Cosine, Pearson, dll)
4. Jarak Binary (symmetric/asymmetric dissimilarity, Jaccard)
5. Jarak Categorical (Overlay Metric, VDM, MRM)
6. Jarak Ordinal (normalisasi ranking)
7. Jarak Campuran (gabungan semua tipe)

atau bisa juga dilihat dibawah ini:

# **Import library visualisasi**

```python
%matplotlib inline
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# optional: mempercantik tampilan default
sns.set(style="whitegrid")
```

# **KODE PROGRAM IMPLEMNETASI DATA *IRIS.CSV* DARI KAGGLE**

```python
import pandas as pd
from scipy import stats

# baca file
df = pd.read_csv("IRIS.csv")   # atau "/content/IRIS.csv"
print("Shape dataset:", df.shape)
# df.info()
# df.describe()
# df.isnull().sum()
# df.duplicated().sum()

# pilih kolom numerik yang mau dianalisis
kolom = 'sepal_length'

print("jumlah data      ", df[kolom].count())
print("rata-rata        ", df[kolom].mean())
print("nilai minimal    ", df[kolom].min())
print("Q1               ", df[kolom].quantile(0.25))
print("Q2 (median)      ", df[kolom].quantile(0.5))
print("Q3               ", df[kolom].quantile(0.75))
print("Nilai Max        ", df[kolom].max())
print("kemencengan      ", "{0:.2f}".format(round(df[kolom].skew(), 2)))

# Modus (lebih aman pakai pandas)
modus = df[kolom].mode()
if len(modus) > 0:
    nilai_modus = modus.iloc[0]
    jumlah_modus = (df[kolom] == nilai_modus).sum()
    print("Nilai modus {} dengan jumlah {}".format(nilai_modus, jumlah_modus))
else:
    print("Tidak ada modus")

print("kemencengan      ", "{0:.6f}".format(round(df[kolom].skew(), 6)))
print("Standar Deviasi  ", "{0:.2f}".format(round(df[kolom].std(), 2)))
print("Variansi         ", "{0:.2f}".format(round(df[kolom].var(), 2)))
```

**Output:**
```
Shape dataset: (150, 5)
jumlah data       150
rata-rata         5.843333333333334
nilai minimal     4.3
Q1                5.1
Q2 (median)       5.8
Q3                6.4
Nilai Max         7.9
kemencengan       0.31
Nilai modus 5.0 dengan jumlah 10
kemencengan       0.314911
Standar Deviasi   0.83
Variansi          0.69
```

# **Bar chart jumlah data per species**

**Interpretasi singkat**
* Setiap species memiliki jumlah data yang seimbang (masing-masing 50).
* Dataset termasuk balanced dataset, sehingga tidak ada ketimpangan kelas.

```python
plt.figure(figsize=(8,5))
df['species'].value_counts().plot(kind='bar')
plt.title("Jumlah Data per Species")
plt.xlabel("Species")
plt.ylabel("Jumlah")
plt.xticks(rotation=0)
plt.show()
```

![Bar Chart Species](Assets/Pertemuan_2/Bar_Chart.png)

# **Histogram semua fitur numerik**

**Interpretasi singkat**
* Histogram menunjukkan pola distribusi masing-masing fitur.
* Fitur petal cenderung memperlihatkan pemisahan kelompok yang lebih jelas dibanding sepal.

```python
df.hist(figsize=(10,8), bins=15)
plt.suptitle("Histogram Fitur Numerik Iris", y=1.02)
plt.tight_layout()
plt.show()
```

![Histogram Fitur](Assets/Pertemuan_2/Histogram.png)

# **Boxplot semua fitur numerik (deteksi outlier)**

**Interpretasi singkat**
* Boxplot membantu melihat median, kuartil, dan potensi outlier.
* Pada Iris, outlier ekstrem biasanya tidak dominan.

```python
ax = df[['sepal_length', 'sepal_width', 'petal_length', 'petal_width']].plot(
    kind='box', figsize=(10,6)
)
ax.set_title("Boxplot Fitur Numerik Iris")
ax.set_ylabel("Nilai")
ax.grid(True)
plt.show()
```

![Boxplot Semua Fitur](Assets/Pertemuan_2/Boxplot.png)

# **Scatter plot petal_length vs petal_width**

**Interpretasi singkat**
* Iris-setosa biasanya terpisah jelas dari dua species lain.
* petal_length dan petal_width merupakan fitur yang sangat informatif untuk klasifikasi.

```python
plt.figure(figsize=(8,6))
sns.scatterplot(data=df, x="petal_length", y="petal_width", hue="species", s=70)
plt.title("Scatter Plot: Petal Length vs Petal Width")
plt.xlabel("Petal Length")
plt.ylabel("Petal Width")
plt.legend(title="Species")
plt.show()
```

![Scatter Petal](Assets/Pertemuan_2/ScatterPlotPetal.png)

# **Scatter plot sepal_length vs sepal_width**

**Interpretasi singkat**
* Titik antar kelas lebih banyak overlap dibanding fitur petal.
* Artinya fitur sepal cenderung kurang kuat untuk pemisahan kelas.

```python
plt.figure(figsize=(8,6))
sns.scatterplot(data=df, x="sepal_length", y="sepal_width", hue="species", s=70)
plt.title("Scatter Plot: Sepal Length vs Sepal Width")
plt.xlabel("Sepal Length")
plt.ylabel("Sepal Width")
plt.legend(title="Species")
plt.show()
```

![Scatter Sepal](Assets/Pertemuan_2/ScatterPlotSepal.png)

# **Distribusi satu fitur (histogram + KDE) per species**

## **Distribusi Petal Length**

```python
plt.figure(figsize=(9,6))
sns.histplot(data=df, x='petal_length', hue='species', kde=True, bins=15, element='step')
plt.title("Distribusi Petal Length per Species")
plt.xlabel("Petal Length")
plt.ylabel("Frekuensi")
plt.show()
```

![Distribusi Petal Length](Assets/Pertemuan_2/DistribusiTepalLength.png)

## **Distribusi Petal Width**

```python
plt.figure(figsize=(9,6))
sns.histplot(data=df, x='petal_width', hue='species', kde=True, bins=15, element='step')
plt.title("Distribusi Petal Width per Species")
plt.xlabel("Petal Width")
plt.ylabel("Frekuensi")
plt.show()
```

![Distribusi Petal Width](Assets/Pertemuan_2/DistribusiTepalWidth.png)

## **Distribusi Sepal Length**

```python
plt.figure(figsize=(9,6))
sns.histplot(data=df, x='sepal_length', hue='species', kde=True, bins=15, element='step')
plt.title("Distribusi Sepal Length per Species")
plt.xlabel("Sepal Length")
plt.ylabel("Frekuensi")
plt.show()
```

![Distribusi Sepal Length](Assets/Pertemuan_2/DistribusiSepalLength.png)

## **Distribusi Sepal Width**

```python
plt.figure(figsize=(9,6))
sns.histplot(data=df, x='sepal_width', hue='species', kde=True, bins=15, element='step')
plt.title("Distribusi Sepal Width per Species")
plt.xlabel("Sepal Width")
plt.ylabel("Frekuensi")
plt.show()
```

![Distribusi Sepal Width](Assets/Pertemuan_2/DistribusiSepalWidth.png)

# **Boxplot per species**

## **Petal Length per species**

```python
plt.figure(figsize=(8,6))
sns.boxplot(data=df, x='species', y='petal_length')
plt.title("Boxplot Petal Length per Species")
plt.xlabel("Species")
plt.ylabel("Petal Length")
plt.xticks(rotation=0)
plt.show()
```

![Boxplot Petal Length](Assets/Pertemuan_2/BoxplotPetalLength.png)

# **Petal Width per species**

```python
plt.figure(figsize=(8,6))
sns.boxplot(data=df, x='species', y='petal_width')
plt.title("Boxplot Petal Width per Species")
plt.xlabel("Species")
plt.ylabel("Petal Width")
plt.xticks(rotation=0)
plt.show()
```

![Boxplot Petal Width](Assets/Pertemuan_2/BoxplotPetalWidth.png)

# **Pairplot**

```python
sns.pairplot(df, hue='species')
plt.show()
```

![Pairplot](Assets/Pertemuan_2/Pairplot.png)

# **Implementasi Menggunakan Orange Data Mining**

Selain menggunakan Python, eksplorasi data Iris juga dapat dilakukan dengan **Orange Data Mining** (visual programming, tanpa coding penuh).

## **Lampiran File & Screenshot**

- Download dataset Iris (CSV): [IRIS.csv](Assets/Pertemuan_2/IRIS.csv)
- Download workflow Orange: [OrangeIrisFlower.ows](Assets/Pertemuan_2/OrangeIrisFlower.ows)
- Screenshot workflow Orange:

![Workflow Orange Iris](Assets/Pertemuan_2/ScreenshotOrangeIrisFlower.png)

## **Struktur Workflow Orange (sesuai file .ows)**

Urutan koneksi widget pada workflow:

1. **CSV File Import → Data Info**
    - Memuat `IRIS.csv` lalu menampilkan ringkasan dataset.
    - Informasi utama: 150 baris, 5 kolom (4 fitur numerik + 1 kelas/species).

2. **CSV File Import → Data Table**
    - Menampilkan data mentah dalam bentuk tabel.
    - Memudahkan pengecekan nilai per baris/kolom.

3. **Data Table (Selected Data) → Column Statistics**
    - Mengirim data terpilih ke statistik kolom.
    - Berguna untuk melihat mean, median, variasi, dan missing values pada subset data.

4. **CSV File Import → Scatter Plot**
    - Visualisasi hubungan dua atribut numerik.
    - Umumnya dipakai `petal_length` vs `petal_width` untuk melihat pemisahan kelas Iris.

5. **CSV File Import → Distributions**
    - Menampilkan distribusi nilai setiap atribut (histogram/density).
    - Membantu membandingkan pola sebaran antar species.

6. **CSV File Import → Bar Plot**
    - Menampilkan jumlah data per kategori (species).
    - Pada Iris terlihat komposisi kelas seimbang (masing-masing 50).

7. **CSV File Import → Box Plot**
    - Menampilkan median, kuartil, whisker, dan potensi outlier.
    - Membantu analisis sebaran fitur antar species secara ringkas.

## **Penjelasan Hasil Implementasi di Orange**

- **Scatter Plot** menunjukkan pemisahan kelas paling jelas pada fitur petal, terutama `Iris-setosa` yang cenderung terpisah dari dua kelas lainnya.
- **Distributions** memperlihatkan pola distribusi tiap fitur; fitur petal biasanya lebih diskriminatif dibanding sepal.
- **Bar Plot** menegaskan distribusi kelas seimbang (balanced dataset), sehingga tidak ada bias jumlah kelas pada analisis awal.
- **Box Plot** memudahkan identifikasi rentang nilai dan outlier, sekaligus perbandingan median antar species.
- **Column Statistics** melengkapi visualisasi dengan angka statistik deskriptif untuk validasi interpretasi grafik.

Dengan workflow ini, proses EDA pada Iris dapat dilakukan cepat, terstruktur, dan konsisten dengan analisis Python di bagian sebelumnya.