0Pricing
Learn AI with Python · Pelajaran

Analisis Bivariat dan Multivariat

Plot sebar, plot pasangan, peta panas korelasi, dan statistik berkelompok.

Analisis Bivariat dan Multivariat adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.

Dari Satu Variabel ke Banyak Variabel

Analisis bivariat mempelajari hubungan antara dua variabel, sedangkan analisis multivariat melihat beberapa variabel sekaligus.

Tujuannya adalah menemukan fitur yang bergerak bersama, mendeteksi interaksi, dan menentukan variabel yang dapat memprediksi sasaran Anda.

Diagram Pencar dengan plt.scatter

Diagram pencar membandingkan dua variabel numerik — setiap titik mewakili satu baris. Diagram ini menunjukkan tren, kelompok, dan pencilan.

import matplotlib.pyplot as plt
import seaborn as sns

plt.scatter(df["height"], df["weight"], alpha=0.4)
plt.xlabel("Height")
plt.ylabel("Weight")
plt.show()

Membaca Diagram Pencar

Perhatikan arah (ke atas = hubungan positif, ke bawah = hubungan negatif), kekuatan (pita yang rapat dibandingkan kumpulan titik yang tersebar), dan bentuk (linear dibandingkan melengkung).

Tambahkan hue dengan sns.scatterplot untuk mewarnai titik berdasarkan kategori dan menampilkan struktur kelompok.

sns.scatterplot(x="height", y="weight", hue="gender", data=df, alpha=0.5)
plt.show()

Korelasi dengan df.corr()

df.corr() menghitung korelasi Pearson berpasangan antara kolom numerik: sebuah angka dari -1 hingga +1.

  • +1 → hubungan linear positif sempurna
  • 0 → tidak ada hubungan linear
  • -1 → hubungan linear negatif sempurna
corr = df.corr(numeric_only=True)
print(corr["price"].sort_values(ascending=False))

Heatmap Korelasi

Matriks korelasi lebih mudah dibaca dalam bentuk heatmap. Berikan annot=True untuk mencetak nilai di dalam setiap sel.

Gunakan peta warna divergen (misalnya, coolwarm) agar korelasi positif dan negatif memiliki warna yang berbeda.

corr = df.corr(numeric_only=True)
sns.heatmap(corr, annot=True, fmt=".2f", cmap="coolwarm", center=0)
plt.show()

Menemukan Multikolinearitas

Ketika dua fitur memiliki korelasi yang sangat tinggi (misalnya, > 0,9), keduanya membawa informasi yang berulang. Inilah yang disebut multikolinearitas, yang dapat membuat model linear tidak stabil.

Heatmap membuat pasangan yang berulang terlihat jelas, sehingga Anda dapat menghapus salah satunya.

corr = df.corr(numeric_only=True).abs()
high = corr[(corr > 0.9) & (corr < 1.0)]
print(high.dropna(how="all"))

Korelasi Bukan Sebab-Akibat

Korelasi yang kuat tidak berarti bahwa salah satu variabel menyebabkan variabel lainnya. Keduanya mungkin dipengaruhi oleh variabel ketiga yang tersembunyi, atau hubungan tersebut mungkin hanya kebetulan.

Gunakan korelasi untuk menghasilkan hipotesis, lalu validasi dengan pengetahuan bidang dan analisis terkontrol.

Diagram Pasangan dengan sns.pairplot

sns.pairplot menggambar kisi diagram pencar untuk setiap pasangan kolom numerik, dengan histogram atau KDE pada diagonalnya.

Ini adalah cara tercepat untuk menilai sekilas semua hubungan bivariat sekaligus. Batasi jumlah kolom pada kumpulan data besar — skalanya bertambah sesuai kuadrat jumlah kolom.

sns.pairplot(df[["height", "weight", "age", "income"]], hue="gender")
plt.show()

Diagram Kotak Berkelompok

Untuk menghubungkan variabel numerik dengan variabel kategorikal, letakkan kategori pada sumbu-x diagram kotak. Anda dapat langsung membandingkan distribusi antar kelompok.

sns.boxplot(x="city", y="income", data=df)
plt.xticks(rotation=45)
plt.show()

Agregasi Berkelompok

Angka melengkapi diagram. groupby dengan agg merangkum kolom numerik berdasarkan kategori.

Ini adalah analisis multivariat dalam bentuk tabel — bandingkan rata-rata, median, dan jumlah secara berdampingan.

summary = df.groupby("city")["income"].agg(["mean", "median", "count"])
print(summary.sort_values("mean", ascending=False))

Diagram Multivariat dengan Pengodean

Anda dapat memuat tiga variabel atau lebih ke dalam satu diagram menggunakan pengodean visual: x, y, warna (hue), dan ukuran.

Dengan cara ini, Anda dapat melihat perubahan hubungan pada dimensi ketiga tanpa membuat diagram terpisah.

sns.scatterplot(x="height", y="weight", hue="age", size="income", data=df)
plt.show()

Pemeriksaan Cepat: Rentang Korelasi

Anda menjalankan df.corr() dan melihat nilai -0.85 antara dua fitur.

Ringkasan: Analisis Bivariat dan Multivariat

Sekarang Anda dapat mengeksplorasi hubungan antarvariabel:

  • plt.scatter / sns.scatterplot untuk dua variabel numerik
  • df.corr() + sns.heatmap(annot=True) untuk matriks korelasi
  • Korelasi tinggi menandai multikolinearitas (hapus fitur yang berulang)
  • sns.pairplot untuk gambaran semua pasangan
  • Diagram kotak berkelompok dan groupby().agg() untuk hubungan numerik-versus-kategorikal

Selanjutnya, kita akan menghubungkan fitur secara langsung dengan sasaran prediksi.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Analisis Bivariat dan Multivariat” gratis?

Ya — teks lengkap “Analisis Bivariat dan Multivariat” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Analisis Bivariat dan Multivariat”?

Plot sebar, plot pasangan, peta panas korelasi, dan statistik berkelompok. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Learn AI with Python?

Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.

Berapa lama pelajaran “Analisis Bivariat dan Multivariat” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?

Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Alur Kerja EDA dan Pembuatan Profil Data
  2. Analisis Univariat
  3. Analisis Bivariat dan Multivariat
  4. Distribusi Fitur dan Analisis Target
← Kembali ke Learn AI with Python