# fdhliakbar/codeventure2025-kelompok4 architecture

> Architecture diagram of the GitHub repository fdhliakbar/codeventure2025-kelompok4, generated by GitDiagram from its file tree, README and a sample of source files (last updated 2025-05-25). It is an AI-made overview: check details against the source.

- Interactive diagram: https://gitdiagram.com/fdhliakbar/codeventure2025-kelompok4
- Repository: https://github.com/fdhliakbar/codeventure2025-kelompok4

## Overview

##### 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.

## Diagram (Mermaid)

```mermaid
flowchart TD
    %% Data Sources
    subgraph "Data Sources"
        CSV1["Fruit Sales Data.csv"]:::data
        CSV2["Fruit Sales Data Branch Jogja.csv"]:::data
    end

    %% Processing Environment
    subgraph "Processing Environment (Jupyter Notebook)"
        S1["materi_sesi01.ipynb"]:::process
        S2["materi_sesi02.ipynb"]:::process
        P["pandas"]:::process
    end

    %% Visualization
    subgraph "Visualization Libraries"
        M["matplotlib"]:::vis
        Sbn["seaborn"]:::vis
    end

    %% Environment & Dependencies
    subgraph "Environment & Dependencies"
        R["README.md"]:::env
    end

    %% Data Flow
    CSV1 -->|reads data| S1
    CSV1 -->|reads data| S2
    CSV2 -->|reads data| S1
    CSV2 -->|reads data| S2
    S1 -->|uses| P
    S2 -->|uses| P
    P -->|provides DataFrame| M
    P -->|provides DataFrame| Sbn

    %% Dependencies Links
    R -.-> S1
    R -.-> S2
    R -.-> P
    R -.-> M
    R -.-> Sbn

    %% Click Events
    click CSV1 "https://github.com/fdhliakbar/codeventure2025-kelompok4/blob/main/dataset/Fruit Sales Data.csv"
    click CSV2 "https://github.com/fdhliakbar/codeventure2025-kelompok4/blob/main/dataset/Fruit Sales Data Branch Jogja.csv"
    click S1 "https://github.com/fdhliakbar/codeventure2025-kelompok4/blob/main/materi_sesi01.ipynb"
    click S2 "https://github.com/fdhliakbar/codeventure2025-kelompok4/blob/main/materi_sesi02.ipynb"
    click R "https://github.com/fdhliakbar/codeventure2025-kelompok4/blob/main/README.md"

    %% Styles
    classDef data fill:#add8e6,stroke:#000,color:#000
    classDef process fill:#90ee90,stroke:#000,color:#000
    classDef vis fill:#ffa500,stroke:#000,color:#000
    classDef env fill:#d3d3d3,stroke:#000,color:#000
```
