Modul 2 (3)

Jika kode berikut dijalankan: x = np.arange(36).reshape(6, 6) Maka akan menghasilkan array dua dimensi dengan 6 baris dan 6 kolom, seperti berikut: [[ 0, 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 10, 11], [12, 13, 14, 15, 16, 17], [18, 19, 20, 21, 22, 23], [24, 25, 26, 27, 28, 29], [30, 31, 32, 33, 34, 35]] Apabila kita ingin menampilkan data di baris pertama dan kolom genap (yaitu kolom 0, 2, dan 4), kode yang tepat adalah: Pilihlah pernyataan yang benar:

• print(x[0, ::2])

• print(x[0][::2])

• print(x[0][0:5:2])

• print(x[0][0:6:2])

• Semua jawaban benar

Jika ingin menghasilkan angka float random antara 5 hingga 15 (tidak terdistribusi normal) dengan dimensi/shape 3 baris, 3 kolom, code mana yang tepat? Manakah code yang tepat?

• np.random.rand(3, 3) * 10 + 5

• np.random.uniform(5, 15, (3, 3))

• np.random.random((3, 3)) * 15

• np.random.uniform(0, 10, (3, 3)) + 5

• np.random.random_sample((3, 3)) * 10 + 5

Perhatikan gambar di bawah ini: Code seperti apa yang dapat digunakan untuk menggabungkan df1 dan df2 sehingga hasilnya menjadi seperti cuplikan di atas? Manakah code yang tepat?

• pd.concat([df1, df2], axis=0)

• pd.concat([df1, df2], axis=1)

• pd.merge([df1, df2], axis=1)

• pd.concat([df1, df2])

• pd.join([df1, df2], axis=1)

Perhatikan dataset berikut ini (dataframe mpg): Dataset ini memiliki kolom manufacturer yang berisi nama pabrikan mobil. Manakah cara yang paling tepat untuk mendapatkan daftar nama pabrikan mobil (manufacturer) yang unik dari dataframe mpg? Pilih salah satu jawaban berikut:

• mpg['manufacturer'].unique()

• set(mpg['manufacturer'])

• mpg['manufacturer'].drop_duplicates()

• mpg['manufacturer'].value_counts().index

• Semua jawaban benar

Perhatikan dataset di bawah ini (dataframe mpg): Dataset ini memiliki kolom: model_year: Tahun model mobil (contoh: 70 untuk 1970-an). mpg: Konsumsi bahan bakar mobil (miles per gallon). Manakah cara yang tepat untuk mencari rata-rata konsumsi bahan bakar (mpg) pada tahun model (model_year) 80-an? Pilih salah satu jawaban berikut:

• mpg[mpg['model_year'] >= 80]['mpg'].mean()

• mpg[mpg['model_year'] >= 80].mean()['mpg']

• mpg.loc[mpg['model_year'] >= 80, 'mpg'].mean()

• (mpg[mpg['model_year'] >= 80]['mpg']).mean()

• Semua jawaban benar

Perhatikan code berikut ini: mpg.groupby('model_year').mean().sort_values('horsepower', ascending=True)['horsepower'].iloc[:3] Manakah penjelasan yang tepat untuk output dari code tersebut? Pilih salah satu jawaban berikut:

• Code ini akan mengelompokkan data berdasarkan model_year, menghitung rata-rata dari setiap kolom untuk setiap tahun model, mengurutkan berdasarkan kolom horsepower secara menaik, dan kemudian menampilkan 3 nilai terendah untuk horsepower di tahun model yang berbeda.

• Code ini akan mengelompokkan data berdasarkan horsepower, menghitung rata-rata dari setiap kolom untuk setiap nilai horsepower, dan menampilkan 3 nilai tertinggi berdasarkan tahun model.

• Code ini akan menghitung rata-rata dari setiap kolom dalam dataframe mpg dan menampilkan 3 nilai tertinggi untuk kolom model_year.

• Code ini akan mengelompokkan data berdasarkan model_year, menghitung rata-rata untuk kolom horsepower, mengurutkan berdasarkan tahun model, dan menampilkan 3 tahun model dengan horsepower tertinggi.

• Code ini tidak akan memberikan hasil karena ada kesalahan dalam sintaks.

Manakah penjelasan yang tepat berdasarkan hasil uji normalitas tersebut?

• Data horsepower terdistribusi normal karena p-value lebih besar dari 0.05.

• Data horsepower terdistribusi normal karena p-value lebih kecil dari 0.01.

• Data horsepower tidak terdistribusi normal karena p-value lebih kecil dari 0.05.

• Data horsepower tidak terdistribusi normal karena p-value lebih besar dari 0.05.

• Uji normalitas tidak relevan karena kolom horsepower adalah data kategorikal.

Pertanyaan yang ingin dijawab adalah: "Apakah rata-rata pengeluaran rumah tangga antara provinsi DIY dan 1 daerah lain di Pulau Jawa sama besar?" Manakah uji hipotesis yang paling tepat untuk menjawab pertanyaan tersebut?

• Uji t dua sampel independen

• Uji ANOVA satu arah

• Uji korelasi Spearman

• Uji chi-square untuk distribusi frekuensi

• Uji regresi linear

Dalam uji hipotesis, terdapat konsep yang dikenal sebagai Uji Dua Arah (Two-Tail Test). Berikut adalah beberapa pernyataan mengenai Uji Dua Arah. Manakah pernyataan yang paling tepat mengenai Uji Dua Arah?

• Two-Tail Test digunakan ketika kita tertarik untuk mengetahui apakah nilai parameter berbeda dari nilai teoritis, tanpa menentukan arah perbedaannya.

• Two-Tail Test hanya digunakan untuk data yang terdistribusi normal.

• Two-Tail Test digunakan ketika kita memiliki alasan kuat untuk menentukan perbedaan ke arah tertentu.

• Two-Tail Test hanya berlaku untuk uji rata-rata dua kelompok dan tidak dapat digunakan untuk uji proporsi.

• Two-Tail Test digunakan untuk menguji apakah suatu parameter lebih besar dari nilai teoritis.

Dalam memilih jenis plot untuk visualisasi data, penting untuk menyesuaikan tipe plot dengan karakteristik data yang akan divisualisasikan. Pilihlah pernyataan yang paling tepat mengenai pemilihan plot untuk data berikut:

• Histogram cocok digunakan untuk menampilkan distribusi frekuensi data numerik dalam bentuk interval atau kelompok.

• Scatter plot digunakan untuk menggambarkan hubungan antara dua variabel numerik dan mengidentifikasi pola atau korelasi.

• Heatmap digunakan untuk menunjukkan pola atau korelasi antara dua variabel kategorikal dengan representasi warna.

• Semua pilihan benar.

• Pie chart lebih cocok digunakan untuk membandingkan proporsi antara beberapa kategori dalam data kategorikal.