Bulan 8: Survey dan Research Methods

# Analisis panjang survey vs completion rate (simulasi berdasarkan riset)
import pandas as pd
import matplotlib.pyplot as plt

data = {
    'jumlah_pertanyaan': [5, 10, 15, 20, 25, 30, 40, 50],
    'completion_rate': [0.92, 0.85, 0.76, 0.65, 0.55, 0.45, 0.30, 0.20],
    'waktu_menit': [2, 4, 6, 8, 10, 12, 16, 20]
}

df = pd.DataFrame(data)
print("Hubungan Panjang Survey dan Completion Rate:")
print(df.to_string(index=False))

# Titik optimal
optimal = df[df['completion_rate'] >= 0.75]
print(f"\nUntuk completion rate >= 75%:")
print(f"  Maksimal pertanyaan: {optimal['jumlah_pertanyaan'].max()}")
print(f"  Maksimal waktu: {optimal['waktu_menit'].max()} menit")
print(f"\nRekomendasi: Survey Abbas sebaiknya 10-15 pertanyaan (4-6 menit)")

import pandas as pd
import numpy as np
from collections import Counter

np.random.seed(15)
n = 100

# Simulasi respons berbagai jenis pertanyaan
respons_survey = pd.DataFrame({
    # Likert (1-5): "Seberapa sering Abbas belajar di luar jam sekolah?"
    'frekuensi_belajar': np.random.choice([1,2,3,4,5], n,
                          p=[0.05, 0.15, 0.35, 0.30, 0.15]),

    # Multiple choice: "Metode belajar yang paling sering digunakan"
    'metode_belajar': np.random.choice(
        ['Membaca buku', 'Video YouTube', 'Les privat', 'Diskusi teman'],
        n, p=[0.25, 0.40, 0.20, 0.15]
    ),

    # Open-ended: disimulasikan kata kunci
    'kesulitan_belajar': np.random.choice(
        ['matematika sulit', 'kurang fokus', 'tidak ada waktu',
         'bahan terlalu banyak', 'bosan', 'tidak mengerti'],
        n
    )
})

# Analisis Likert: distribusi frekuensi + mean
print("=== Likert: Frekuensi Belajar (1=tidak pernah, 5=setiap hari) ===")
print(respons_survey['frekuensi_belajar'].value_counts().sort_index())
print(f"Mean: {respons_survey['frekuensi_belajar'].mean():.2f}")

# Analisis Multiple Choice
print("\n=== Multiple Choice: Metode Belajar ===")
print(respons_survey['metode_belajar'].value_counts())

# Analisis Open-ended: word frequency sederhana
print("\n=== Open-ended: Kata Kunci Kesulitan Belajar ===")
all_words = ' '.join(respons_survey['kesulitan_belajar']).split()
word_freq = Counter(all_words).most_common(10)
for word, count in word_freq:
    print(f"  {word}: {count}x")

# Checklist kualitas pertanyaan survey
def evaluasi_pertanyaan(pertanyaan: str, pilihan: list = None) -> dict:
    """
    Checklist sederhana untuk mengevaluasi kualitas satu pertanyaan survey.
    Dalam praktiknya, Abbas mengisi ini secara manual untuk setiap pertanyaan.
    """
    hasil = {
        'pertanyaan': pertanyaan,
        'checklist': {}
    }

    checklist_items = [
        ('Satu fokus', 'Pertanyaan hanya menanyakan SATU hal, bukan dua sekaligus'),
        ('Netral', 'Tidak ada kata yang menggiring ke jawaban tertentu'),
        ('Jelas', 'Semua istilah dalam pertanyaan sudah didefinisikan/dipahami'),
        ('Tidak mengasumsikan', 'Tidak ada asumsi yang embedded dalam pertanyaan'),
        ('Pilihan lengkap', 'Semua kemungkinan jawaban tercakup (termasuk N/A jika perlu)'),
        ('Pilihan eksklusif', 'Pilihan jawaban tidak tumpang tindih'),
    ]

    for kode, deskripsi in checklist_items:
        hasil['checklist'][kode] = {'deskripsi': deskripsi, 'status': '[ ] Belum diperiksa'}

    return hasil

# Contoh penggunaan
pertanyaan_test = "Apakah Abbas setuju bahwa belajar di pagi hari lebih efektif?"
hasil = evaluasi_pertanyaan(pertanyaan_test)

print(f"Pertanyaan: {hasil['pertanyaan']}")
print("\nChecklist Evaluasi:")
for kode, detail in hasil['checklist'].items():
    print(f"  {detail['status']} [{kode}] {detail['deskripsi']}")

print("\n--- Isi checklist ini untuk setiap pertanyaan di survey Abbas ---")

import pandas as pd
import numpy as np

# Simulasi: data seperti yang diekspor Google Forms ke CSV
# Kolom pertama selalu "Timestamp", lalu tiap pertanyaan jadi satu kolom

np.random.seed(33)
n = 50

data_forms = pd.DataFrame({
    'Timestamp': pd.date_range('2024-01-15 08:00', periods=n, freq='15min'),
    'Berapa lama Abbas belajar per hari? (jam)': np.random.choice(
        ['Kurang dari 1', '1-2 jam', '2-3 jam', 'Lebih dari 3 jam'], n
    ),
    'Metode belajar utama Abbas (pilih semua yang berlaku)': np.random.choice(
        ['Baca buku;Video;', 'Diskusi teman;', 'Les privat;Baca buku;', 'Video;'], n
    ),
    'Seberapa puas Abbas dengan hasil belajar? (1=tidak puas, 5=sangat puas)': np.random.randint(1, 6, n),
    'Apa hambatan terbesar dalam belajar?': np.random.choice(
        ['Sulit fokus', 'Materi susah', 'Tidak ada waktu', 'Kurang motivasi'], n
    )
})

print("=== Preview Data Google Forms ===")
print(data_forms.head(3).to_string())

print("\n=== Info Dataset ===")
print(f"Jumlah respons: {len(data_forms)}")
print(f"Kolom: {list(data_forms.columns)}")

# Perhatikan: kolom checkbox berisi string dengan titik koma sebagai separator
print("\n=== Contoh Parsing Kolom Checkbox ===")
metode_col = 'Metode belajar utama Abbas (pilih semua yang berlaku)'
all_choices = data_forms[metode_col].str.split(';').explode()
all_choices = all_choices[all_choices.str.strip() != '']
print(all_choices.value_counts())

import math

def hitung_sampel_slovin(N: int, e: float = 0.05) -> int:
    """
    Hitung ukuran sampel minimal dengan rumus Slovin.
    N = ukuran populasi
    e = margin of error (default 5% = 0.05)
    """
    n = N / (1 + N * e**2)
    return math.ceil(n)

def hitung_sampel_proporsi(p: float = 0.5, e: float = 0.05, z: float = 1.96) -> int:
    """
    Hitung ukuran sampel untuk estimasi proporsi (populasi besar/tidak diketahui).
    p = proporsi perkiraan (0.5 = paling konservatif)
    e = margin of error
    z = z-score (1.96 untuk confidence level 95%)
    """
    n = (z**2 * p * (1 - p)) / e**2
    return math.ceil(n)

# Contoh: sekolah Abbas punya 800 siswa
populasi = 800

print("=== Ukuran Sampel Minimal (Rumus Slovin) ===")
for margin in [0.05, 0.08, 0.10]:
    n = hitung_sampel_slovin(populasi, margin)
    print(f"  Margin error {margin*100:.0f}%: minimal {n} responden")

print("\n=== Ukuran Sampel Estimasi Proporsi (populasi besar) ===")
for margin in [0.05, 0.08, 0.10]:
    n = hitung_sampel_proporsi(e=margin)
    print(f"  Margin error {margin*100:.0f}%: minimal {n} responden")

print("\n--- Untuk survey sekolah biasanya cukup pakai Slovin dengan e=10% ---")

import pandas as pd
import numpy as np

# Simulasi data mentah Google Forms yang belum bersih
np.random.seed(55)
n = 80

raw_data = pd.DataFrame({
    'Timestamp': pd.to_datetime(
        pd.date_range('2024-02-01 07:00', periods=n, freq='18min').tolist()
    ).astype(str),
    'Nama (opsional)': [''] * n,
    'Jenis Kelamin': np.random.choice(
        ['Laki-laki', 'Perempuan', 'L', 'P', 'laki-laki', 'perempuan',
         'LAKI-LAKI', None], n
    ),
    'Kelas': np.random.choice(['X', 'XI', 'XII', 'kelas 10', 'kelas 11', '10', '11'], n),
    'Kepuasan Belajar (1-5)': np.random.choice([1, 2, 3, 4, 5, None], n,
                                                p=[0.05, 0.10, 0.30, 0.35, 0.15, 0.05]),
})

print('=== Data Mentah ===')
print(raw_data.head(8).to_string())
print(f'\nShape: {raw_data.shape}')
print(f'\nMissing values:\n{raw_data.isnull().sum()}')

# Bersihkan Timestamp
raw_data['Timestamp'] = pd.to_datetime(raw_data['Timestamp'])
raw_data['hari_pengisian'] = raw_data['Timestamp'].dt.day_name()
raw_data['jam_pengisian'] = raw_data['Timestamp'].dt.hour

# Standardisasi Jenis Kelamin
mapping_gender = {
    'L': 'Laki-laki', 'laki-laki': 'Laki-laki', 'LAKI-LAKI': 'Laki-laki',
    'P': 'Perempuan', 'perempuan': 'Perempuan'
}
raw_data['Jenis Kelamin'] = raw_data['Jenis Kelamin'].replace(mapping_gender)

print('\n=== Setelah Standardisasi Gender ===')
print(raw_data['Jenis Kelamin'].value_counts(dropna=False))

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(77)
n = 100

df = pd.DataFrame({
    'kelas': np.random.choice(['X', 'XI', 'XII'], n, p=[0.35, 0.40, 0.25]),
    'kepuasan_belajar': np.random.choice([1,2,3,4,5], n, p=[0.05,0.15,0.30,0.35,0.15]),
    'jam_belajar_hari': np.random.choice(['<1', '1-2', '2-3', '>3'], n, p=[0.10,0.40,0.35,0.15]),
    'metode_utama': np.random.choice(
        ['Baca buku', 'Video', 'Les privat', 'Diskusi'], n, p=[0.20,0.45,0.15,0.20]
    )
})

# Distribusi frekuensi Likert
print('=== Kepuasan Belajar (1-5) ===')
freq = df['kepuasan_belajar'].value_counts().sort_index()
pct = df['kepuasan_belajar'].value_counts(normalize=True).sort_index() * 100
ringkasan_likert = pd.DataFrame({'Jumlah': freq, 'Persen (%)': pct.round(1)})
print(ringkasan_likert)
print(f"Mean: {df['kepuasan_belajar'].mean():.2f} | Median: {df['kepuasan_belajar'].median()}")

# Cross-tabulation: kepuasan vs kelas
print('\n=== Cross-tab: Rata-rata Kepuasan per Kelas ===')
print(df.groupby('kelas')['kepuasan_belajar'].agg(['mean', 'count']).round(2))

# Crosstab distribusi metode belajar per kelas
print('\n=== Cross-tab: Metode Belajar per Kelas ===')
ct = pd.crosstab(df['kelas'], df['metode_utama'], normalize='index') * 100
print(ct.round(1))

import pandas as pd
import re
from collections import Counter

# Stopwords Bahasa Indonesia (daftar minimal)
STOPWORDS_ID = {
    'yang', 'dan', 'di', 'ke', 'dari', 'untuk', 'dengan', 'ini', 'itu',
    'adalah', 'ada', 'tidak', 'saya', 'aku', 'kamu', 'mereka', 'kita',
    'sudah', 'akan', 'bisa', 'juga', 'lebih', 'atau', 'tapi', 'karena',
    'jadi', 'saat', 'kalau', 'sangat', 'masih', 'dalam', 'sering', 'pernah'
}

respons_teks = [
    'matematika terlalu sulit dan soalnya membingungkan',
    'kurang waktu karena banyak kegiatan ekstrakurikuler',
    'tidak ada buku yang cocok untuk belajar mandiri',
    'matematika susah apalagi bagian aljabar',
    'banyak tugas menumpuk dari berbagai mata pelajaran',
    'waktu belajar sedikit karena pulang sekolah sudah malam',
    'guru menjelaskan terlalu cepat sehingga sulit diikuti',
    'tidak ada teman yang bisa diajak diskusi materi sulit',
    'buku pelajaran tidak tersedia di perpustakaan',
    'terlalu banyak tugas sehingga tidak sempat memahami materi',
]

def preprocess(teks):
    teks = teks.lower()
    teks = re.sub(r'[^\w\s]', '', teks)
    kata = teks.split()
    return [k for k in kata if k not in STOPWORDS_ID and len(k) > 2]

# Word frequency
semua_kata = []
for r in respons_teks:
    semua_kata.extend(preprocess(r))

word_freq = Counter(semua_kata).most_common(15)
print('=== 15 Kata Terbanyak (setelah preprocessing) ===')
for kata, count in word_freq:
    bar = '#' * count
    print(f'  {kata:<20} {bar} ({count})')

# Kategorisasi manual
def kategorikan(respons):
    r = respons.lower()
    if any(w in r for w in ['matematika', 'aljabar', 'soal', 'sulit', 'susah']):
        return 'Kesulitan Materi'
    elif any(w in r for w in ['waktu', 'malam', 'tugas', 'menumpuk', 'banyak']):
        return 'Manajemen Waktu'
    elif any(w in r for w in ['buku', 'perpustakaan', 'tersedia']):
        return 'Akses Sumber Belajar'
    elif any(w in r for w in ['guru', 'menjelaskan', 'cepat']):
        return 'Metode Pengajaran'
    elif any(w in r for w in ['teman', 'diskusi']):
        return 'Lingkungan Sosial'
    return 'Lainnya'

df_teks = pd.DataFrame({'respons': respons_teks})
df_teks['tema'] = df_teks['respons'].apply(kategorikan)
print('\n=== Distribusi Tema ===')
print(df_teks['tema'].value_counts())

import pandas as pd
import numpy as np

np.random.seed(88)
n = 100

# Simulasi: 5 pertanyaan Likert yang mengukur "Motivasi Belajar"
# Q1-Q4 benar-benar terkait motivasi, Q5 adalah pertanyaan asing
base = np.random.normal(3, 0.8, n)

df_alpha = pd.DataFrame({
    'Q1_target_belajar':    (base + np.random.normal(0, 0.3, n)).clip(1, 5).round(),
    'Q2_semangat_sekolah':  (base + np.random.normal(0, 0.4, n)).clip(1, 5).round(),
    'Q3_rajin_pr':          (base + np.random.normal(0, 0.35, n)).clip(1, 5).round(),
    'Q4_suka_belajar':      (base + np.random.normal(0, 0.3, n)).clip(1, 5).round(),
    'Q5_jarak_ke_sekolah':  np.random.randint(1, 6, n).astype(float),
})

def cronbach_alpha(df):
    # Hitung Cronbach's Alpha dari DataFrame pertanyaan Likert
    k = df.shape[1]
    var_items = df.var(axis=0, ddof=1).sum()
    var_total = df.sum(axis=1).var(ddof=1)
    return (k / (k - 1)) * (1 - var_items / var_total)

# Alpha keseluruhan
alpha_all = cronbach_alpha(df_alpha)
print(f"Cronbach's Alpha (semua 5 pertanyaan): {alpha_all:.4f}")

# Alpha jika satu pertanyaan dihapus
print('\n=== Alpha If Item Deleted ===')
for col in df_alpha.columns:
    df_tanpa = df_alpha.drop(columns=[col])
    alpha_tanpa = cronbach_alpha(df_tanpa)
    delta = alpha_tanpa - alpha_all
    arah = 'naik' if delta > 0 else 'turun'
    print(f'  Tanpa {col}: {alpha_tanpa:.4f} ({arah} {abs(delta):.4f})')

print('\n--- Q5 yang tidak terkait akan meningkatkan alpha jika dihapus ---')

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec

np.random.seed(42)
n = 100

df = pd.DataFrame({
    'kelas': np.random.choice(['X', 'XI', 'XII'], n, p=[0.33, 0.40, 0.27]),
    'jk': np.random.choice(['Laki-laki', 'Perempuan'], n, p=[0.48, 0.52]),
    'kepuasan': np.random.choice([1,2,3,4,5], n, p=[0.05,0.12,0.28,0.38,0.17]),
    'metode': np.random.choice(['Baca', 'Video', 'Les', 'Diskusi'], n),
    'jam_belajar': np.random.choice(['<1j', '1-2j', '2-3j', '>3j'], n,
                                     p=[0.10, 0.38, 0.35, 0.17])
})

fig = plt.figure(figsize=(14, 10))
fig.suptitle('Ringkasan Hasil Survey: Kebiasaan Belajar Siswa', fontsize=14, fontweight='bold')
gs = gridspec.GridSpec(2, 3, figure=fig, hspace=0.45, wspace=0.35)

# Panel 1: Distribusi kelas
ax1 = fig.add_subplot(gs[0, 0])
df['kelas'].value_counts().sort_index().plot(kind='bar', ax=ax1, color='#4C72B0', edgecolor='white')
ax1.set_title('Distribusi Kelas Responden', fontsize=10)
ax1.set_ylabel('Jumlah'); ax1.set_xlabel('')
ax1.tick_params(axis='x', rotation=0)

# Panel 2: Distribusi Likert kepuasan
ax2 = fig.add_subplot(gs[0, 1])
counts = df['kepuasan'].value_counts().sort_index()
bars = ax2.bar(counts.index, counts.values, color='#55A868', edgecolor='white')
ax2.set_title('Kepuasan Belajar (1-5)', fontsize=10)
ax2.set_xlabel('Skor'); ax2.set_ylabel('Jumlah')
for bar, val in zip(bars, counts.values):
    ax2.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.5,
             str(val), ha='center', va='bottom', fontsize=9)

# Panel 3: Metode belajar
ax3 = fig.add_subplot(gs[0, 2])
df['metode'].value_counts().plot(kind='barh', ax=ax3, color='#C44E52', edgecolor='white')
ax3.set_title('Metode Belajar Utama', fontsize=10)
ax3.set_xlabel('Jumlah')

# Panel 4: Kepuasan per kelas
ax4 = fig.add_subplot(gs[1, :2])
crosstab = pd.crosstab(df['kelas'], df['kepuasan'], normalize='index') * 100
crosstab.plot(kind='bar', ax=ax4, colormap='RdYlGn', edgecolor='white', width=0.7)
ax4.set_title('Distribusi Kepuasan Belajar per Kelas (%)', fontsize=10)
ax4.set_xlabel('Kelas'); ax4.set_ylabel('Persentase (%)')
ax4.tick_params(axis='x', rotation=0)
ax4.legend(title='Skor', bbox_to_anchor=(1.01, 1), loc='upper left', fontsize=8)

# Panel 5: Jam belajar
ax5 = fig.add_subplot(gs[1, 2])
urutan = ['<1j', '1-2j', '2-3j', '>3j']
jam_ct = df['jam_belajar'].value_counts().reindex(urutan)
ax5.pie(jam_ct.values, labels=urutan, autopct='%1.0f%%',
        colors=['#FDD878', '#F4A261', '#E76F51', '#C44E52'], startangle=90)
ax5.set_title('Jam Belajar per Hari', fontsize=10)

plt.savefig('/tmp/survey_ringkasan.png', dpi=150, bbox_inches='tight')
print('Dashboard disimpan ke /tmp/survey_ringkasan.png')

# Template struktur laporan (panduan penulisan)

laporan_template = {
    'judul': 'Analisis Kebiasaan Belajar Siswa SMA: Studi Survey 2024',

    'pendahuluan': {
        'latar_belakang': '[Mengapa topik ini penting? Apa yang belum diketahui?]',
        'tujuan_penelitian': '[3-4 tujuan spesifik dalam bentuk poin]',
        'pertanyaan_penelitian': '[2-3 pertanyaan yang dijawab oleh survey ini]'
    },

    'metode': {
        'populasi': '[Definisi populasi target]',
        'sampel': '[Jumlah responden, metode sampling, kriteria inklusi/eksklusi]',
        'instrumen': '[Jumlah pertanyaan, jenis skala, cara validasi]',
        'periode': '[Tanggal mulai dan selesai pengumpulan data]',
        'analisis': '[Metode analisis yang digunakan]'
    },

    'hasil': {
        'profil_responden': '[Demografis: kelas, jenis kelamin, distribusi]',
        'temuan_utama': [
            'Temuan 1: [fakta dari data tanpa interpretasi]',
            'Temuan 2: [fakta dari data tanpa interpretasi]',
            'Temuan 3: [fakta dari data tanpa interpretasi]'
        ],
        'reliabilitas_instrumen': '[Nilai Cronbach Alpha dan interpretasinya]'
    },

    'diskusi': {
        'interpretasi': '[Mengapa temuan bisa seperti ini?]',
        'keterbatasan': [
            'Keterbatasan 1: [aspek metodologi yang membatasi generalisasi]',
            'Keterbatasan 2: [potensi bias yang tidak bisa dihilangkan]',
            'Keterbatasan 3: [hal lain yang perlu diakui jujur]'
        ],
        'implikasi': '[Apa yang bisa dilakukan berdasarkan temuan ini?]'
    },

    'kesimpulan': '[Rangkuman 3-5 kalimat tentang apa yang ditemukan]'
}

for bagian, isi in laporan_template.items():
    print(f'\n[{bagian.upper()}]')
    if isinstance(isi, dict):
        for sub, val in isi.items():
            preview = str(val)[:60] + '...' if len(str(val)) > 60 else str(val)
            print(f'  {sub}: {preview}')
    else:
        print(f'  {isi}')

import pandas as pd
import numpy as np

np.random.seed(22)
n = 87

df = pd.DataFrame({
    'kelas': np.random.choice(['X', 'XI', 'XII'], n, p=[0.34, 0.41, 0.25]),
    'jk': np.random.choice(['Laki-laki', 'Perempuan'], n, p=[0.46, 0.54]),
    'kepuasan': np.random.choice([1,2,3,4,5], n, p=[0.05,0.12,0.28,0.38,0.17]),
    'metode': np.random.choice(
        ['Baca buku', 'Video', 'Les privat', 'Diskusi'], n,
        p=[0.20, 0.46, 0.14, 0.20]
    )
})

# Otomatisasi teks profil responden
total = len(df)
per_kelas = df['kelas'].value_counts().sort_index()
per_jk = df['jk'].value_counts()

print('=== PROFIL RESPONDEN ===\n')
print(f'Total responden yang memenuhi syarat: {total} orang.')
for kls, jumlah in per_kelas.items():
    pct = jumlah / total * 100
    print(f'  Kelas {kls}: {jumlah} responden ({pct:.1f}%)')

print()
for jk, jumlah in per_jk.items():
    pct = jumlah / total * 100
    print(f'  {jk}: {jumlah} responden ({pct:.1f}%)')

print('\n=== TEMUAN UTAMA ===\n')
top_metode = df['metode'].value_counts().idxmax()
top_pct = df['metode'].value_counts(normalize=True).max() * 100
mean_kepuasan = df['kepuasan'].mean()

print(f"Metode belajar yang paling banyak dipilih adalah '{top_metode}'")
print(f'dengan {top_pct:.1f}% responden memilihnya sebagai metode utama.')
print()
kategori = 'cukup puas' if mean_kepuasan >= 3 else 'kurang puas'
print(f'Rata-rata kepuasan belajar: {mean_kepuasan:.2f} dari skala 1-5 ({kategori}).')

# Panduan menulis diskusi: template pertanyaan pemandu

pertanyaan_diskusi = {
    '46% responden memilih video sebagai metode belajar utama': [
        'Mengapa video lebih populer dari metode lain?',
        'Apa implikasi bagi guru yang masih menggunakan metode ceramah?',
        'Apakah ada penjelasan alternatif selain yang paling obvious?'
    ],
    'Mean kepuasan belajar 3.42 dari 5': [
        'Apa yang membuat siswa merasa belum sangat puas?',
        'Apakah ada perbedaan kepuasan antar kelas atau jenis kelamin?',
        'Faktor apa dari open-ended yang mungkin menjelaskan angka ini?'
    ],
    'Tema Manajemen Waktu paling dominan di open-ended': [
        'Mengapa waktu menjadi hambatan utama, bukan materi yang sulit?',
        'Apakah ini terkait dengan beban ekstrakurikuler atau jadwal sekolah?',
        'Rekomendasi apa yang bisa diberikan kepada siswa dan sekolah?'
    ]
}

print('=== TEMPLATE PANDUAN DISKUSI ===\n')
for temuan, pertanyaan in pertanyaan_diskusi.items():
    print(f'TEMUAN: {temuan}')
    print('Pertanyaan untuk dikembangkan menjadi paragraf diskusi:')
    for i, q in enumerate(pertanyaan, 1):
        print(f'  {i}. {q}')
    print()

print('--- Setiap pertanyaan bisa menjadi 2-3 kalimat dalam paragraf diskusi ---')

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(11)
n = 87

df = pd.DataFrame({
    'kepuasan': np.random.choice([1,2,3,4,5], n, p=[0.05,0.12,0.28,0.38,0.17]),
    'kelas': np.random.choice(['X', 'XI', 'XII'], n, p=[0.34, 0.41, 0.25])
})

# Hero chart: kepuasan per kelas dengan anotasi
fig, ax = plt.subplots(figsize=(9, 5))

kelas_means = df.groupby('kelas')['kepuasan'].mean().sort_index()
kelas_sem = df.groupby('kelas')['kepuasan'].sem()

colors = ['#4C72B0', '#55A868', '#C44E52']
bars = ax.bar(kelas_means.index, kelas_means.values, color=colors,
              edgecolor='white', linewidth=1.5, width=0.55,
              yerr=kelas_sem.values, capsize=5,
              error_kw={'ecolor': '#333', 'linewidth': 1})

ax.set_ylim(0, 5.5)
ax.set_ylabel('Rata-rata Kepuasan Belajar (1-5)', fontsize=11)
ax.set_xlabel('Kelas', fontsize=11)
ax.set_title(
    'Kepuasan Belajar Meningkat Seiring Jenjang Kelas\n(n=87, error bar = SEM)',
    fontsize=12, fontweight='bold', pad=12
)

grand_mean = df['kepuasan'].mean()
ax.axhline(y=grand_mean, color='gray', linestyle='--', linewidth=1, alpha=0.7)
ax.text(2.6, grand_mean + 0.08,
        f'Rata-rata keseluruhan: {grand_mean:.2f}',
        fontsize=9, color='gray')

for bar, mean_val in zip(bars, kelas_means.values):
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.18,
            f'{mean_val:.2f}', ha='center', fontsize=11, fontweight='bold')

ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
plt.tight_layout()
plt.savefig('/tmp/hero_chart.png', dpi=150, bbox_inches='tight')
print('Hero chart disimpan ke /tmp/hero_chart.png')

# Checklist akhir Proyek P4: Mini Survey

deliverables = {
    'Survey Instrument': {
        'item': 'File Google Forms (link aktif atau PDF)',
        'kriteria': 'Semua pertanyaan terbaca jelas, ada disclaimer anonimitas'
    },
    'Dataset Mentah': {
        'item': 'File CSV hasil ekspor (anonim, tidak ada nama lengkap)',
        'kriteria': 'Minimal 30 responden, semua kolom header jelas'
    },
    'Notebook Analisis': {
        'item': 'File .ipynb dengan kode berjalan dari awal hingga akhir',
        'kriteria': 'Setiap sel punya output, ada komentar penjelasan'
    },
    'Laporan Tertulis': {
        'item': 'Dokumen dengan 5 bagian standar (Pendahuluan sampai Kesimpulan)',
        'kriteria': 'Minimal 800 kata, setiap klaim didukung angka'
    },
    'Presentasi': {
        'item': 'File slide (PPT, Google Slides, atau PDF) 8-10 slide',
        'kriteria': 'Setiap slide punya satu pesan utama, visualisasi terbaca jelas'
    },
    'Retrospektif': {
        'item': 'Dokumen refleksi satu halaman',
        'kriteria': 'Menjawab: apa yang baik, apa yang akan diubah, pelajaran terbesar'
    }
}

print('=== CHECKLIST DELIVERABLE P4: MINI SURVEY ===\n')
for nama, detail in deliverables.items():
    print(f'[ ] {nama}')
    print(f"    File    : {detail['item']}")
    print(f"    Kriteria: {detail['kriteria']}")
    print()

print('=' * 50)
print('Semua item di atas harus selesai sebelum Abbas')
print('melanjutkan ke Bulan 9: Machine Learning.')
print('=' * 50)

print('\n=== KOMPETENSI YANG DIPEROLEH DI BULAN 8 ===')
capaian = [
    'Merancang penelitian: memilih jenis, metode sampling, dan hipotesis',
    'Mendeteksi dan memitigasi berbagai jenis bias dalam penelitian',
    'Membuat survey yang valid dengan pertanyaan Likert dan open-ended',
    'Menggunakan Google Forms untuk pengumpulan data secara profesional',
    'Membersihkan data survey mentah dengan Pandas',
    'Menganalisis distribusi jawaban dan melakukan cross-tabulation',
    'Menganalisis teks open-ended dengan word frequency dan kategorisasi',
    "Menghitung dan menginterpretasikan Cronbach's Alpha",
    'Menulis laporan penelitian lengkap dengan struktur standar',
    'Membuat presentasi berbasis data dengan data storytelling'
]
for i, item in enumerate(capaian, 1):
    print(f'  {i:2d}. {item}')