PRAKTIKUM DATA SCIENCE (STUDI KASUS PEMAIN SEPAK BOLA)
Halo semuanya…
perkenalkan
nama saya Zulva Fauziah, dari prodi Teknik Informatika Semester 6 Universitas
Nahdlatul Ulama Cirebon.
pada kesempatan kali ini
saya akan berbagi, tentang bagaimana membuat Data Science Sepak Bola
FIFA menggunakan aplikasi “Visual Studio Code”
Pengertian Data Science
Kecerdasan buatan atau Artificial
Intelligence (AI) adalah simulasi dari kecerdasan yang dimiliki oleh manusia
yang dimodelkan di dalam mesin dan diprogram agar bisa berpikir seperti halnya
manusia. Dengan kata lain AI merupakan sistem komputer yang bisa melakukan
pekerjaan-pekerjaan yang umumnya memerlukan tenaga manusia atau kecerdasan
manusia untuk menyelesaikan pekerjaan tersebut.
Data Science merupakan gabungan dari
matematika dan statistik, pemograman khusus, analisis lanjutan, kecerdasan
buatan (AI), dan pembelajaran mesin dengan keahlian materi pelajaran khusus
untuk mengungkap wawasan yang dapat ditindaklanjuti yang tersembunyi dalam data
organisasi. Hal ini berguna dalam mengolah teks, gambar, video, audio, dan
lain-lain untuk menghasilkan sistem kecerdasan buatan. Sistem kecerdasan buatan
ini dapat dirancang untuk melakukan berbagai tugas yang terlalu sulit untuk
kecerdasan manusia.
Hasil data yang diolah sistem
kecerdasan buatan akan dapat dimanfaatkan oleh analis dan pengguna dalam bisnis
untuk merancang strategi yang tepat untuk menyelesaikan suatu masalah atau
mencapai sebuah tujuan.
Melalui data science kita
akan belajar bagaimana melihat data sekaligus memfilter data sesuai kebutuhan
kita. Berikut ini hasil program dari data science kasus pemain sepak bola FIFA
2019 – 2023 menggunakan Visual code studio.
Ø Data
Pemain Sepak Bola FIFA 2019
·
Data Variabel
·
Untuk menampilkan data pemain sepak
bola FIFA 2019
import pandas as pd
data_frame = pd.read_csv('fifa2019.csv')
data_frame
.png)
· Cetak Ukuran Tabel
· Untuk menampilkan ukuran baris dan kolom
data_frame.shape
.png)
·
Deskripsi Cetak
·
Untuk menampilkan total data pemain sepak bola
data_frame.describe()
.png)
· Mengubah
data ke Array
· Untuk
menampilkan data sepak bola dalam baris
data_frame.values
.png)
· Menampilkan
Data Pemain diatas 40th
· Untuk
menampilkan data pemain diatas 40th
data_frame[data_frame["Age"]>40].head()
.png)
· Menampilkan
data pemain sepak bola : Nama, Upah dan nila
df1 = pd.DataFrame(data_frame, columns=['Name', 'Wage', 'Value'])
df1
.png)
· Konversi
Satuan Huruf Ke Angka
· Mengubah
satuan huruf menjadi angka
df1 = pd.DataFrame(data_frame, columns=['Name', 'Wage', 'Value'])
def value_to_float(x):
if type(x) == float or type(x) == int:
return x
if 'K' in x:
if len(x) > 1:
return float(x.replace('K', '')) * 1000
return 1000.0
if 'M' in x:
if len(x) > 1:
return float(x.replace('M', '')) * 1000000
return 1000000.0
if 'B' in x:
return float(x.replace('B', '')) * 1000000000
return 0.0
wage = df1['Wage'].replace('[\€,]', '', regex=True).apply(36value_to_float)
value = df1['Value'].replace('[\€,]', '', regex=True).apply(value_to_float)
df1['Wage'] = wage
df1['Value'] = value
df1['difference'] = df1['Value'] - df1['Wage']
df1
.png)
/ · Membuat Grafik
· Import
library “seaborn” dengan nama “sb”
import seaborn as sns
sns.set()
graph = sns.scatterplot(x='Wage', y='Value', data=df1)
graph
.png)
.png)
Ø Ø Data Pemain Sepak Bola FIFA 2021
Di Dibawah ini merupakan hasil grafik dan visualisasi data melalui bagan dan plot interaktif berperfoma tinggi dari analisis sepak bola FIFA 2021
555
.png)
.png)
Ø Data Pemain Sepak Bola FIFA 2023
Dibawah ini merupakan hasil grafik dan visualisasi data melalui bagan dan plot interaktif berperfoma tinggi dari analisis sepak bola FIFA 2019
.png)
3
Ø
.png&description=Data Science Sepak Bola FIFA 2019 – 2023 By Phyton – VisualStudioCode){kind=link}