Kembali ke EDA Kuantitatif
Halaman 2 dari 2

Graphical Techniques
Teknik Visualisasi

Eksplorasi data UMKM Cafe secara visual melalui 6 teknik grafis untuk memahami distribusi, korelasi, dan pola tersembunyi dalam data transaksi.

📊 Visualisasi A

Stem and Leaf Plot

Teknik ini baik untuk melihat sebaran data secara mentah. Setiap angka dipecah menjadi Stem (batang/puluhan) dan Leaf (daun/satuan), sehingga kita bisa langsung melihat bentuk distribusi tanpa kehilangan data asli.

🌿 Stem and Leaf — Waktu Tunggu (Menit)
0|6  7  8  8  9
1|0  1  1  1  2  2  2  3  3  4  5  5  6  7  8  9
2|0  1  2  4  5  6  8
3|0  2
💡 Interpretasi Sebagian besar pelanggan menunggu pada rentang belasan menit (10–19 menit) — terlihat dari baris stem "1" yang paling panjang dengan 16 daun. Hanya ada 2 transaksi yang waktu tunggunya mencapai 30-an menit (30 dan 32 menit), biasanya terjadi saat weekend dengan pesanan grup besar.
📈 Visualisasi B

Scatter Plot

Grafik ini memetakan korelasi antara Jumlah Item dengan Total Bayar. Setiap titik mewakili satu transaksi pelanggan.

💡 Interpretasi Titik-titik membentuk pola garis lurus menanjak (positif linier), mengindikasikan korelasi positif yang sangat kuat: semakin banyak item yang dibeli, maka total bayar akan semakin tinggi. Hubungan ini bersifat konsisten — hampir tidak ada penyimpangan dari pola linier.
Scatter Plot: Jumlah Item vs Total Bayar
Scatter Plot — Jumlah Item vs Total Bayar (Rp)
📦 Visualisasi C

Box Plot

Box Plot digunakan untuk melihat perbandingan sebaran data dan menemukan outliers (pencilan). Di sini kita membandingkan Total Bayar antara Weekday dan Weekend.

💡 Interpretasi Kotak (IQR) untuk Weekend posisinya lebih tinggi daripada Weekday, menunjukkan transaksi yang lebih besar. Garis whisker atas pada Weekend lebih panjang — ada variasi pembelian besar di hari libur. Terdapat juga titik pencilan (outlier) pada Weekday di atas Rp140.000 (kemungkinan traktiran kelompok di hari biasa).
Box Plot: Total Bayar Weekday vs Weekend
Box Plot — Total Bayar: Weekday vs Weekend
📊 Visualisasi D

Histogram

Histogram menunjukkan distribusi frekuensi dari Total Bayar. Kurva KDE (Kernel Density Estimation) ditumpangkan untuk melihat bentuk distribusi secara halus.

💡 Interpretasi Data memiliki bentuk Right-Skewed (menjulur ke kanan). Artinya, mayoritas pelanggan melakukan transaksi dalam nominal lebih kecil/menengah (Rp20.000–Rp60.000), namun ada sebagian kecil transaksi besar yang menarik rata-rata ke kanan. Ini tipikal data pengeluaran konsumen.
Histogram Total Bayar
Histogram — Distribusi Total Bayar (Rp) + KDE Curve
🔬 Visualisasi E

Quantile-Quantile (QQ) Plot

QQ Plot digunakan untuk menguji apakah sebaran data Total Bayar berdistribusi normal. Titik-titik biru dibandingkan dengan garis referensi merah (distribusi normal teoretis).

💡 Interpretasi Titik-titik biru melenceng cukup jauh dari garis lurus merah, terutama di bagian atas/ujung kanan. Kita bisa menyimpulkan bahwa distribusi Total Bayar tidak normal, melainkan condong ke kanan (right-skewed) — konsisten dengan temuan pada histogram.
QQ Plot Total Bayar
QQ Plot — Total Bayar vs Distribusi Normal Teoretis
📉 Visualisasi F

Autocorrelation Plot (ACF)

Grafik Autokorelasi (ACF) mengecek apakah urutan transaksi dipengaruhi oleh transaksi sebelumnya — seperti analisis deret waktu (time series).

💡 Interpretasi Semua garis vertikal pada lag > 0 berada di dalam area pita biru (interval kepercayaan). Ini berarti tidak ada autokorelasi yang signifikan. Besar kecilnya pembayaran dari pelanggan berikutnya tidak terpengaruh oleh transaksi dari pelanggan sebelumnya secara berurutan — setiap transaksi bersifat independen.
Autocorrelation Plot Total Bayar
ACF Plot — Autokorelasi Total Bayar
1 / 6
Kembali ke Halaman 1