How fdhliakbar/codeventure2025-kelompok4 works
Identifikasi Tipe dan Tujuan Proyek
• Tipe: Data-analysis pipeline berbasis Jupyter Notebook.
• Tujuan: Mengambil dataset CSV, melakukan pembersihan dan agregasi dengan pandas, lalu memvisualisasikan hasil menggunakan matplotlib & seaborn di dalam notebook.
Analisis Struktur File
• dataset/
• Fruit Sales Data.csv
• Fruit Sales Data Branch Jogja.csv
• materi_sesi01.ipynb
• materi_sesi02.ipynb
(README menyebut main.ipynb namun tidak ada di tree; anggap materi_sesi01 & sesi02 adalah notebook utama dan materi lanjutan)
Komponen Utama Sistem
a. Data Sources
• CSV files (raw input)
b. Processing Environment
• Jupyter Notebook (materi_sesi01.ipynb, materi_sesi02.ipynb)
• Python interpreter
• Libraries: pandas (ETL/analisis), matplotlib & seaborn (visualisasi)
c. Outputs
• Tabel ringkasan (DataFrame)
• Chart/grafik (bar, line, scatter)
• Notebook report (visual + narasi)
d. Environment & Dependencies
• pip-installed packages
• Local machine / VS Code / Jupyter server
Alur & Interaksi Komponen
• Data Flow:
CSV files → pandas DataFrame → transform/aggregate → matplotlib/seaborn → Visuals
• Notebook sebagai “control plane” yang memuat kode ETL & plotting, berinteraksi langsung dengan data dan libraries.
• Notebook → Python & libraries
• pandas → CSV reader + DataFrame → clean & group operations
• matplotlib/seaborn → DataFrame → Chart objects
• Opsional: Tambahkan layer “User Interaction” (analisis & interpretasi manual via Jupyter UI).
Pola Arsitektur & Prinsip Desain
• Modularitas: Pisahkan tahapan ETL (pembersihan, agregasi) dan tahap visualisasi ke dalam cell notebook atau file terpisah jika berkembang jadi script Python.
• Reproducibility: Semua dependency dideklarasikan (requirements.txt), notebook mengandung dokumentasi & code.
• Single Responsibility: Setiap notebook/session meng-cover topik atau dataset tertentu (sesi01: eksplorasi dataset utama, sesi02: cabang Jogja).
• Persegi panjang biru untuk Data Sources
• Persegi panjang hijau untuk Processing (notebook + pandas)
• Persegi panjang oranye untuk Visualization (matplotlib/seaborn)
• Persegi panjang abu-abu untuk Environment/Dependencies
b. Beri label jelas pada setiap kotak.
c. Tambahkan panah berarah menandakan aliran data:
• Dari Data Sources → Processing
• Dari Processing → Visualization
• Dari Environment → keduanya
d. Gunakan warna atau garis putus-putus untuk membedakan tipe komponen (data vs compute vs UI).
• Arah panah: tunjukkan langkah baca data → transform → plot → output
[CSV files] → [Jupyter Notebook + pandas ETL] → [matplotlib/seaborn Visualizations]
Disertai kotak untuk Python environment dan library, dengan panah memperjelas alur. Dengan struktur ini, arsitektur pipeline analisis data akan tergambar jelas dan terorganisir.