BDA - 2.01 - instructorPPT - Chapter5.en - Id

Materi Instruktur
Bab5: Bercerita dengan Data
Data Besar & Analisis
Presentation_ID © 2008 Cisco Systems, Inc. All rights reserved. Cisco Confidential 1
Bab5: Bercerita dengan
Data
Data Besar & Analisis
Bab5- Bagian & Tujuan
 5.1 Membangun Kisah Data
• Jelaskan dasar-dasar membuat argumen dari data.
 5.2 Kekuatan Visualisasi

• Jelaskan cara menggunakan pustaka Python untuk membuat
visualisasi yang sesuai untuk tujuan komunikatif.
 5.3 Persiapan Bab 5 Lab

• Jelaskan sumber-sumber Big Data.
5.1 Membangun Kisah
Data
Membangun Cerita Data
Menceritakan sebuah cerita
 Hasil analisis data
ditampilkan selama Hasil
Sekarang bagian dari
siklus hidup analisis data.
 Hasil mendorong
perubahan yang dibuat
oleh pengambil
keputusan.
 Mengerjakan bukan
menghabiskan terlalu
banyak waktu pada data.
Berikan cukup untuk
menjelaskan maksud
Anda.
Hadirin
• Siapa audiens Anda?
o Siapa yang akan mendengar ceritanya?
o Apa motivasi pendengar?
o Apa tingkat pengetahuan dan keakraban pendengar dengan masalah
bisnis?
o Apa reaksi yang mungkin terjadi?
• Di mana audiens Anda?

o On line
o Audio saja
o Tatap muka
o Apakah presentasi akan dibagikan?
• Kapan audiens Anda tersedia?

o Apa yang harus dilakukan jika seseorang tidak dapat hadir?
o Rekam presentasi?
o
Presentation_ID
Masalah Kerahasiaan/Keamanan © 2008 Cisco Systems, Inc. All rights reserved. Cisco Confidential 13
Nilai dan Tujuan Bisnis
 Nilai bisnis memiliki arti yang berbeda bagi audiens yang
berbeda, jadi jelaskan mengapa seseorang harus peduli
dengan cerita yang disampaikan
 Apa yang Anda ingin para penonton ambil?
 Apa ajakan bertindak, jika ada?
Menggunakan Bukti
 Harus kritis untuk tujuan akhir
 Jika sepotong bukti tidak mendukung pernyataan penutup
atau sekunder dari fokus utama, pertimbangkan untuk
meninggalkan bukti dari presentasi.
Penalaran Deduktif
 Menggunakan fakta atau premis untuk
sampai pada kesimpulan
 Dianggap “top-down” karena bergerak
dari premis umum ke fakta spesifik yang
diturunkan dari premis umum
 Penalaran deduktif yang baik mengarah
pada kesimpulan yang benar.
 Contoh: silogisme Semua mamalia
memiliki mata. Manusia adalah mamalia.
Oleh karena itu, manusia memiliki mata.
Penalaran Induktif
 Bergerak dari khusus ke umum

 Membuat kesimpulan berdasarkan
pengamatan, pola, dan hipotesis
 Kami mengambil sampel populasi,
mempelajari sampel, dan kemudian
membuat kesimpulan yang kami yakini
benar untuk seluruh populasi.
 Pastikan sampel mewakili populasi yang
kesimpulannya diterapkan
Kekeliruan
 Argumen mungkin tidak menerapkan aturan
logika
 Argumen mungkin mengabaikan atau salah
menafsirkan premis penting
 Kesimpulan mungkin tidak mengikuti secara logis
dari premis
 Kekeliruan Formal
• Satu atau lebih premis terbukti salah
• Jika susu disimpan di lemari es, itu tidak akan rusak.
Susunya rusak. Karena itu, susu tidak disimpan di lemari
es.
 Kekeliruan non Formal

• Satu atau lebih premistidak cukup mendukung kesimpulan
• Beberapa orang memiliki kekuatan psikis. Bisakah kamu
membuktikannya? Tidak ada yang bisa membantahnya.
5.2 Kekuatan Visualisasi
Kekuatan Visualisasi
plot
 Plot adalah Matplotlib modul.
 Plot termasuk kumpulan fungsi gaya
yang dapat Anda gunakan untuk
membuat dan menyesuaikan plot
plot Lembar Gaya Kustom
 Diplot gambar Anda buat lembar gaya khusus
sehingga semua plot memiliki fitur gaya yang
sama dan Anda menghindari kesalahan kecil
pada kode sebaris.
 Jika Anda menyimpan lembar gaya di lokasi
non-default, Anda harus memberikan
informasi jalur saat Anda mereferensikannya.
Plotly
 Plotlyadalah alat online untuk menghasilkan visualisasi data.
 Memiliki sumber daya termasuk konten gratis, pustaka API, pengonversi
gambar, aplikasi untuk Google Chrome, dan pustaka JavaScript sumber
terbuka
 Kode, gambar, dan data dapat diekspor
Jenis Umum Visualisasi Data
 Berapa banyak variabel?

 Berapa banyak titik data
dalam setiap variabel?
 Apakah data dari waktu ke
waktu atau membandingkan
item?
 Bagan paling populer: garis,
kolom, batang, pai, dan sebar
Bagan Garis
 Salah satu yang paling umum digunakan
• Digunakan ketika ada kumpulan data yang
berkelanjutan, jumlah titik data tinggi, dan Anda
ingin menunjukkan tren data dari waktu ke waktu
 Contoh
• Penjualan triwulanan selama lima tahun terakhir
• Jumlah pelanggan per minggu dalam setahun
 Praktik terbaik
• Label sumbu.
• Plot waktu pada sumbu x (horizontal).
• Plot nilai data pada sumbu y (vertikal).
• Pertahankan set data seminimal mungkin.
• Minimalkan garis kisi.
• Ubah titik awal sumbu jika perlu.
Bagan Kolom
 Diposisikan Secara Vertikal
• Paling sering digunakan saat Anda ingin menampilkan nilai
titik data tertentu dibandingkan dengan kategori serupa
 Contoh
• Populasi lima negara
• Penjualan tahunan untuk empat perusahaan
 Praktik terbaik
• Label sumbu.
• Jika waktu digunakan, plot pada sumbu x (horizontal).
• Gunakan warna solid untuk kolom.
• Hindari menggunakan lebih dari 7 kategori pada sumbu
horizontal.
• Mulai nilai sumbu y dari nol.
• Jarak antar kolom harus sekitar setengah lebar kolom.
Grafik batang
 Diposisikan Secara Horizontal
• Paling sering digunakan saat Anda ingin menampilkan nilai
titik data tertentu yang dibandingkan di seluruh kategori
serupa dan nama untuk setiap titik data panjang.
 Contoh
• PDB 25 negara
• Penjualan mobil oleh salesman
 Praktik terbaik
• Label sumbu.
• Urutan bar dari terpanjang ke terpendek.
• Gunakan warna solid untuk batang.
• Hindari menggunakan lebih dari 7 kategori pada sumbu
horizontal.
• Mulai nilai sumbu x dari nol.
• Jarak antar baris harus sekitar setengah lebar kolom.
Diagram lingkaran
 Pie chart
• Digunakan untuk menunjukkan komposisi bilangan statis.
• Segmen menunjukkan persentase dari angka itu
• Segmen total 100%
 Contoh
• Pengeluaran tahunan menurut jenis
• Sumber energi menurut jenis yang digunakan
 Praktik terbaik
• Pertahankan kategori seminimal mungkin. Konsolidasi bila
perlu.
• Gunakan warna yang berbeda untuk segmen yang berbeda
dan urutkan berdasarkan ukuran.
• Pastikan nilai segmen total 100%.
Plot Pencar
 Visualisasi Clustering dan Korelasi
• Digunakan untuk menunjukkan korelasi atau distribusi titik
data
• Berguna dalam menunjukkan pengelompokan atau
mengidentifikasi outlier data
 Contoh
• Membandingkan harapan hidup dengan PDB
• Membandingkan penjualan es krim harian dengan suhu
rata-rata
 Praktik terbaik
• Label sumbu.
• Pastikan kumpulan data cukup besar.
• Mulai sumbu y dari nol. Nilai awal sumbu X tergantung
pada data.
• Pertimbangkan untuk menambahkan garis tren, tetapi
jangan gunakan lebih dari dua.
5.3 Bab 5 Lab
Bab 5 Persiapan Bab 5 Lab
Perpustakaan Folium
 Menggabungkan kekuatan skrip Python dengan kemampuan
pemetaan pustaka Leaflet.js
 Memungkinkan bingkai data Python ditampilkan dalam peta Leaflet
interaktif
 kumpulan ubin– kumpulan data raster atau vektor yang dapat
menampilkan peta di perangkat seluler dan di dalam browser
5.4 Ringkasan
Ringkasan Bab
Ringkasan
 Data dapat diringkas menggunakan visualisasi untuk membantu orang
lain memahami data.
 Harus tahu siapa audiens Anda, di mana mereka, dan kapan audiens
tersedia?
 Bukti yang disajikan dapat berasal dari penalaran deduktif atau
penalaran induktif dan tidak boleh mengalami kesalahan logika (formal
atau informal).
 Penalaran deduktif menggunakan fakta, proposisi, atau pernyataan
kebenaran lainnya untuk sampai pada suatu kesimpulan.
 Penalaran induktifmenciptakankesimpulan berdasarkan pengamatan,
pola, danhipotesis.
 Jenis bagan yang digunakan dalam visualisasi adalah garis, kolom,
batang, pai, dan sebar.
 plotadalahmatplotlibekstensi yang mencakup fungsi gaya yang
digunakan untuk membuat dan menyesuaikan plot.
 Plotlyadalah alat online yang digunakan untuk membuat visualisasi.

BDA - 2.01 - instructorPPT - Chapter5.en - Id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

BDA - 2.01 - instructorPPT - Chapter5.en - Id

Diunggah oleh

Hak Cipta:

Format Tersedia

Materi Instruktur

Bab5: Bercerita dengan Data

Data Besar & Analisis

Data Besar & Analisis

 5.2 Kekuatan Visualisasi

 5.3 Persiapan Bab 5 Lab

• Di mana audiens Anda?

• Kapan audiens Anda tersedia?

 Bergerak dari khusus ke umum

 Kekeliruan non Formal

 Berapa banyak variabel?

Anda mungkin juga menyukai