Analisis Data Kanji: Frekuensi Penggunaan, Tingkat Kesulitan dan Jumlah Goresan

Proyek ini menganalisis data kanji berdasarkan frekuensi penggunaan, tingkat kesulitan (grade), jumlah goresan, dan jumlah pembacaan. Tujuannya adalah untuk memahami hubungan antara variabel-variabel ini dan mengidentifikasi pola-pola menarik dalam penggunaan kanji.

Dataset

Dataset yang digunakan berisi informasi tentang sekitar 300 kanji, termasuk:

• Kanji : Karakter kanji itu sendiri
• Strokes : Jumlah goresan pada kanji
• Grade : Tingkat kesulitan kanji (1 - 6)
• Freq : Frekuensi penggunaan kanji
• JLPT_new : Level JLPT (Japanese Language Proficiency Test) yang menguji kanji tersebut
• Readings_on : Pembacaan onyomi dari kanji
• Readings_kun : Pembacaan kunyomi dari kanji

Metodologi

1. Pemrosesan Data :

   • Memuat data kanji dari file JSON
   • Mengubah data menjadi DataFrame Pandas
   • Menangani nilai yang hilang (NaN) dengan menggantinya dengan rata-rata kolom
   • Menghitung jumlah pembacaan onyomi dan kunyomi untuk setiap kanji

2. Analisis Regresi :

   • Membuat model regresi linear untuk memprediksi frekuensi penggunaan kanji berdasarkan tingkat kesulitan, jumlah goresan dan jumlah pembacaan
   • Membagi data menjadi data latih (80%) dan data uji (20%)
   • Melatih model regresi dengan data latih
   • Mengevaluasi model dengan menghitung Mean Squared Error (MSE) dan R-squared (R2) pada data uji

3. Visualisasi Data :

   • Scatter Plot Interaktif (Plotly) : Menampilkan hubungan antara frekuensi penggunaan dan tingkat kesulitan kanji untuk setiap level JLPT
   • Histogram (Seaborn) : Menampilkan distribusi frekuensi penggunaan kanji untuk setiap level JLPT
   • Heatmap (Seaborn) : Menampilkan jumlah kanji untuk setiap kombinasi jumlah goresan dan tingkat kesulitan
   • Scatter Plot 3D (Plotly) : Menampilkan hubungan antara frekuensi penggunaan, tingkat kesulitan dan jumlah goresan dalam bentuk 3D

Hasil

• Analisis Regresi : Model regresi linear menunjukkan bahwa tingkat kesulitan, jumlah goresan dan jumlah pembacaan memiliki pengaruh yang signifikan terhadap penggunaan kanji

• Visualisasi :

  • Scatter plot menunjukkan bahwa kanji dengan tingkat kesulitan yang lebih tinggi cenderung memiliki frekuensi penggunaan yang lebih rendah

  • Histogram menunjukkan bahwa sebagian besar kanji memiliki frekuensi penggunaan yang rendah dan hanya sedikit kanji yang memiliki frekuensi penggunaan yanng sangat tinggi

  • Heatmap menunjukkan bahwa kanji dengan jumlah goresan yang lebih banyak cenderung memiliki tingkat kesulitan yang lebih tinggi

  • Scatter plot 3D memberikan gambaran yang lebih lengkap tentang hubungan antara ketiga variabel

Kesimpulan

Proyek ini memberikan wawasan tentang pola penggunaan kanji dalam bahasa Jepang. Hasil analisis dapat digunakan untuk :

• Pengembangan Materi Pembelajaran : Membantu guru dan pembuat materi pembelajaran untuk menentukan urutan pengajaran kanji yang lebih efektif berdasarkan tingkat kesulitan dan frekuensi penggunaan

• Penelitian Linguistik : Memberikan informasi tentang bagaimana karakteristik kanji (seperti jumlah goresan dan jumlah pembacaan) mempengaruhi penggunaannya dalam bahasa Jepang

• Pengembangan Aplikasi : Membantu dalam pengembangan aplikasi pembelajaran bahasa Jepang atau aplikasi lain yang berhubungan dengan kanji

Saran Pengembangan Lebih Lanjut

• Menggunaakn Dataset yang lebih besar : Menggunakan dataset yang lebih besar dan lebih representatif meningkatkan akurasi dan generalisasi hasil analisis

• Menambahkan variabel lain : Menambahkan variabel lain seperti radikal kanji atau jenis kata (kata benda, kata kerja, dll) dapat memberikan wawasan yang lebih mendalam tentang penggunaan kanji

• Membuat model prediksi yang lebih kompleks : Mengembangkan model machine learning yang lebih kompleks (misalnya, model pohon keputusan atau jaringan saraf) dapat meningkatkan akurasi prediksi frekuensi penggunaan kanji