Data Analyst
- Get link
- X
- Other Apps
Data Analyst
Pengenalan Analisis Data
Aloha! Terima kasih sudah menjaga semangatnya hingga modul ini, ya. Sebelumnya, Anda telah berkenalan dan mempelajari terkait data dan fundamental data science. Nah, pada bagian ini, Anda akan menjelajahi analisis data yang merupakan bagian penting juga dari data science.
Salah satu keahlian yang perlu dimiliki oleh seorang data scientist tentunya adalah menganalisis sebuah data hingga menjadi informasi yang insightful. Maka dari itu, pada modul ini, Anda akan menjelajahi ilmu analisis data hingga menjalankan latihan di dalamnya. Tentu akan menarik dan membuat Anda mengeksplorasi berbagai hal baru. Apakah Anda sudah siap? Yuk, mari kita simak penjelasannya di bawah ini.
Berkenalan dengan Analisis Data
Sebelum membahas terkait analisis data, mari simak gambar di bawah ini.
Anda tentu sudah tidak asing dengan tampilan tersebut, bukan? Tampilan dengan rekomendasi berbagai macam hal yang relate dengan pencarian terakhir Anda. Ketika Anda sedang mencari sebuah barang, biasanya akan ada banyak rekomendasi serupa yang bermunculan di halaman beranda. Nah, apakah Anda tersadar bahwa itu merupakan salah satu dampak dari adanya analisis data? Jadi, apa sih sebenarnya analisis data itu? Mari kita bahas.
Analisis data adalah proses menyelidiki, membersihkan, mengubah, dan memodelkan data dengan tujuan menemukan informasi yang berguna, menyampaikan kesimpulan, mendukung pengambilan keputusan, dan masih banyak lagi.
Dalam sebuah penelitian, tentunya akan membutuhkan analisis data. Dengan adanya kegiatan tersebut, seseorang dapat lebih mudah untuk mengolah data menjadi sumber informasi baru yang akurat dan terpercaya. Namun, pernahkah terlintas di pikiran Anda, “Mengapa analisis data begitu penting?” atau “Bagaimana ya kalau tidak melakukan analisis data?” Nah, simak penjelasan berikut agar Anda dapat menjawab pertanyaan-pertanyaan tersebut.
Mengapa Data Begitu Penting?
Dalam era teknologi ini, masuknya gelombang data telah menjadikan setiap perusahaan berlomba-lomba dalam memanfaatkan informasi menjadi wawasan yang berharga untuk kelangsungan bisnis mereka. Data dianggap sebagai aset berharga yang dapat memberikan keuntungan kompetitif. Analisis data menjadi langkah penting karena membantu para pebisnis mengoptimalkan kinerja.
Menerapkan analisis data ke dalam model bisnis menjadi sangat signifikan karena memungkinkan kita untuk merancang strategi berdasarkan bukti yang tercatat, menargetkan pemasaran berdasarkan perilaku pelanggan, dan meningkatkan produktivitas secara keseluruhan. Dengan data yang akurat dan dikelola dengan baik, perusahaan dapat membuat keputusan yang lebih tepat dan responsif terhadap perubahan pasar.
Selain itu, ungkapan "Data is The New Oil" semakin mencerminkan nilai pentingnya data. Sebagaimana minyak memiliki peran sentral dalam mendukung industri dan ekonomi, data menjadi landasan bagi inovasi, pengambilan keputusan yang cerdas, dan pengembangan strategi yang efektif. Kesadaran akan nilai data ini semakin memotivasi perusahaan untuk mengumpulkan, mengelola, dan menganalisis data dengan saksama untuk meraih kesuksesan dalam lingkungan bisnis yang kompetitif.
Berikut merupakan peran analisis data di beberapa sektor.
- Media dan Hiburan
Siapa sih yang tak kenal dengan Spotify? Salah satu perusahaan media dan hiburan yang sangat banyak penggunanya di dunia. Nah, perusahaan penyedia musik tersebut merupakan salah satu yang menerapkan analisis data untuk mengumpulkan dan menganalisis data dari jutaan penggunanya sehingga dapat memberikan rekomendasi musik yang lebih baik.
- Retail dan Wholesale
Industri ini memiliki persaingan yang sangat tinggi dan punya tantangan tersendiri dalam hal pengelolaan data. Para pebisnis menggunakan analisis data untuk mengelola data yang besar guna menangani kebutuhan pelanggan secara akurat. Contoh perusahaan yang menggunakan analisis data di sektor retail dan wholesale adalah Walmart.
Sebagian dari Anda mungkin baru mendengar nama Walmart. Perusahaan waralaba tersebut merupakan perusahaan retail terbesar dan memiliki pendapatan yang tidak main-main. Sejak 2012, Walmart telah memanfaatkan analisis big data untuk kelangsungan perusahaannya sehingga perusahaan tersebut dapat mengetahui secara detail tentang konsumen mereka.
Siklus Analisis Data
Setelah memahami semua pembahasan dalam materi Berkenalan dengan Analisis Data, pada bagian ini, kita akan fokus pada tahapan analisis data yang umum dijumpai di industri. Siklus analisis data umumnya seperti yang tertera pada gambar di bawah.
Catatan: Pola di atas bukanlah waterfall alias setiap tahap harus berurutan secara mutlak. Bisa jadi Anda menemukan kondisi di mana tahapan dalam analisis data tidak seperti gambar di atas dan Anda bisa menyesuaikannya dengan kebutuhan.
Seperti yang telah kita bahas, analisis data adalah proses menyelidiki, membersihkan, mengubah, dan memodelkan data dengan tujuan menemukan informasi yang berguna, menginformasikan kesimpulan, mendukung pengambilan keputusan, dan masih banyak lagi. Untuk mewujudkan pernyataan tersebut, kita perlu melewati beberapa proses seperti yang tertera pada gambar di atas. Simak detailnya dalam uraian berikut ini.
- Mendefinisikan Pertanyaan
Pada awal proyek analisis data, kita perlu mendefinisikan berbagai pertanyaan analisis terkait data ataupun permasalahan yang ingin diselesaikan. Pertanyaan tersebut akan membantu kita dalam memahami masalah bisnis yang dihadapi serta tujuan yang ingin dicapai. Bukan hanya itu, dengan adanya pertanyaan tersebut, kita akan merasa terbantu karena bisa lebih fokus pada bagian data yang relevan dengan tujuan.
- Data Wrangling
Setelah memiliki pertanyaan analisis yang baik, tahap selanjutnya adalah data wrangling. Tahap ini dimulai dengan mengumpulkan data yang dibutuhkan untuk menjawab pertanyaan analisis yang telah dibuat sebelumnya. Kemudian, Anda perlu menilai kualitas dan struktur dari data tersebut. Hal ini dilakukan untuk mengidentifikasi masalah yang terdapat dalam data serta membuat strategi pembersihan data yang sesuai.
- Exploratory Data Analysis (EDA)
EDA merupakan tahap eksplorasi terhadap data yang telah dibersihkan untuk memperoleh meaningful insights dan menjawab pertanyaan analisis. EDA memungkinkan analyst memahami isi data yang digunakan, mulai dari distribusi, frekuensi, korelasi, dan lainnya. Dalam praktiknya, memiliki rasa curiosity merupakan hal yang sangat penting. Pemahaman dalam konteks data juga perlu diperhatikan karena hal tersebut dapat menjawab masalah-masalah dasar.
Pada umumnya EDA dilakukan dengan beberapa cara sebagai berikut.- Univariat Analysis: Analisis deskriptif dengan satu variabel.
- Bivariat Analysis: Analisis relasi dengan dua variabel yang biasanya dengan target variabel.
- Multivariate Analysis: Analisis yang menggunakan lebih dari atau sama dengan tiga variabel.
- Data Visualization
Hasil yang diperoleh dari EDA perlu divisualisasikan melalui tahap data visualization. Pada tahap ini, kita bisa menerapkan berbagai teknik dan jenis visualisasi data yang tepat untuk mengomunikasikan temuan atau insight dari hasil analisis secara efektif.
- Draw Conclusion & Communicate
Pada akhir proyek analisis data, kita perlu membuat conclusion atau kesimpulan dari hasil analisis. Kesimpulan yang dibuat haruslah menjawab semua pertanyaan dan tujuan yang telah didefinisikan di awal.
Seperti yang telah disebutkan di awal, tahapan tersebut tidak selamanya berbentuk waterfall atau linier. Terkadang setelah melakukan visualisasi data, Anda akan menemukan kekurangan dalam data sehingga perlu melakukan data wrangling kembali. Hal inilah yang membuat tahapan dalam analisis data lebih cocok disebut sebagai sebuah siklus karena terdapat banyak iterasi proses di dalamnya.
Sampai pada tahap ini, Anda telah memahami serangkaian proses dalam menganalisis data yang umum dijumpai di industri. Nah, pada materi berikutnya, Anda akan mempelajari hasil breakdown dari siklus-siklus di atas. So, tunggu apa lagi? Yuk, langsung ke materi berikutnya.
Analisis Data 101
Untuk menjadi seorang praktisi data masa depan yang mampu menjawab tantangan atau permasalahan, tentu Anda perlu memiliki kemampuan mengamati, menganalisis, dan menginterpretasikan data dalam semua kemungkinan dan peluang dari tantangan dan masalah yang ada. Sebelum memiliki kemampuan tersebut, Anda perlu menguraikan tantangan atau permasalahan melalui pertanyaan analisis yang nantinya akan menghasilkan sebuah meaningful insight.
Studi Kasus
Hello fellas! Sebelum Anda melanjutkan perjalanan ke pembahasan berikutnya, mari simak studi kasus berikut. Tujuan dari studi kasus ini adalah sebagai wadah untuk latihan dalam menghadapi tantangan atau permasalahan yang terjadi di dunia nyata. Dengan studi kasus ini, diharapkan Anda lebih memahami setiap proses dalam analisis data.
Mari kita analogikan bahwa Anda merupakan seorang influencer yang memiliki banyak pengikut di media sosial. Anda memiliki rencana untuk pergi ke Bali dengan tujuan ingin meramaikan tempat wisata di sana yang memiliki rating paling rendah berdasarkan Google Maps Rating. Sebelum berangkat ke sana, Anda mencari tahu terlebih dahulu data yang perlu dianalisis di kemudian hari agar mendapatkan hasil yang maksimal nantinya.
Berikut merupakan data yang akan Anda gunakan dalam studi kasus ini.
Dataset Bali Popular Destination for Tourist 2022
Ketika Anda membuka dataset tersebut, tampilannya akan terlihat seperti di bawah ini.
Nah, studi kasus ini akan kita bawa ke pembahasan analisis data yang setiap langkah-langkahnya akan dijelaskan di arah ke dataset tersebut. Sudah tidak sabar? Yuk, kita lanjutkan.
Menyusun Pertanyaan Efektif
Untuk dapat menjelajahi sebuah data, tentunya Anda perlu memiliki insight atau wawasan yang luas terkait data maupun proyek yang akan dikerjakan. Tanpa sebuah informasi yang jelas, Anda tidak akan tahu ke mana arah dan tujuan dari hal yang yang ingin dikerjakan. Seperti peribahasa, “Malu bertanya sesat di jalan”, apabila tidak menanyakan atau mencari insight terkait data yang ingin dikerjakan, bisa jadi Anda akan tersesat atau kebingungan ketika mengerjakannya.
Menjadi seorang praktisi analisis data ibarat Anda mendaki gunung sambil membawa sebuah kompas. Kompas merupakan sebuah perangkat yang mampu membantu Anda menentukan arah sehingga bisa sampai ke tempat tujuan. Hal tersebut juga sejalan ketika kita menyusun pertanyaan. Kita tak boleh sembarangan dan harus terarah dalam melakukannya untuk mendapatkan sebuah tujuan, yaitu meaningful insights.
Berikut beberapa hal yang perlu Anda hindari dalam menulis pertanyaan supaya mendapatkan hasil yang sesuai tujuan.
- Hindari membuat pertanyaan yang mengarahkan responden atau narasumber untuk menjawab dengan jawaban tertentu.
Contoh: Gunung Rinjani adalah gunung terindah di Indonesia, bukan?
Pertanyaan tersebut harus dihindari karena langsung merujuk kepada satu sentimen tertentu sehingga responden tidak dapat menyampaikan pendapat lain. - Hindari membuat pertanyaan yang hanya dapat dijawab dengan “ya” atau “tidak”.
Contoh: Apakah Anda menyukai Gunung Bromo?
Hal tersebut perlu dihindari karena sebuah pertanyaan diusahakan agar responden dapat menyampaikan aspirasi atau opini mereka terhadap sebuah pertanyaan. - Hindari membuat pertanyaan yang tidak memiliki konteks.
Contoh: Apakah Pulau Komodo mahal?
Maksudnya adalah hal apa yang menjadi mahal di Pulau Komodo? Apakah tiket pesawat? Sewa hotel? Makanan? Konteks pada pertanyaan di atas belum terlalu jelas sehingga perlu dihindari dalam membuat sebuah pertanyaan.
Setelah mengetahui beberapa hal yang harus dihindari dalam menyusun pertanyaan, ada sebuah metode yang perlu Anda ketahui dan terapkan supaya dapat menghasilkan pertanyaan analisis yang efektif. Metode apakah itu?
SMART Questions
Kiat mendapatkan sebuah jawaban yang informatif tentu diawali dengan pertanyaan yang mumpuni dan berkualitas. Oleh karena itu, kita dapat menerapkan metode SMART Questions. Ia merupakan salah satu metode yang dapat Anda ambil untuk mengajukan pertanyaan efektif kepada responden.
Mari kita breakdown satu per satu kepanjangan dari SMART.
- Specific
Pertanyaan efektif tentu harus bersifat spesifik, artinya sebuah pertanyaan analisis harus merujuk pada topik tertentu. Pertanyaan spesifik mampu membantu Anda dalam mendapatkan jawaban yang spesifik. Oleh karena itu, apabila sebuah pertanyaan masih bersifat general, cobalah untuk lebih mengerucut lagi pada satu topik tertentu. Tentunya dengan memperhatikan hal yang harus dihindari seperti yang sudah dijelaskan sebelumnya. - Measurable
Selain spesifik, hal yang perlu diperhatikan adalah sebuah pertanyaan mesti terukur (measurable). Jawaban dari hal ini akan menjadi sebuah tolok ukur Anda dalam mendapatkan jawaban yang meaningful insights. - Action-oriented
Maksud dari action-oriented adalah pertanyaan yang diajukan harus mampu memberikan informasi yang dapat membantu Anda dalam membuat sebuah rencana yang harus dilakukan nantinya. - Relevant
Poin keempat ini memiliki arti bahwa pertanyaan yang diajukan harus berbobot dan memiliki arti untuk menyelesaikan sebuah permasalahan yang ingin diselesaikan. - Time-bound
Poin terakhir yaitu pertanyaan yang diajukan mesti bersifat time-bound atau selaras terhadap waktu saat ini.
Untuk mengawali proses analisis data, Anda dapat memulainya dengan membuat SMART questions seperti yang tertera di bawah ini.
Langkah 1Buat pertanyaan menggunakan SMART terkait studi kasus dari dataset “Bali Popular Destination for Tourist 2022” yang telah diberikan pada materi sebelumnya untuk digunakan pada langkah-langkah berikutnya. Contoh:
|
Sampai di sini, Anda sudah paham, bukan? Nah, setelah mengajukan pertanyaan menggunakan SMART questions, Anda perlu mengumpulkan data sebelum digunakan agar mendapatkan sebuah jawaban yang meaningful insights. Bagaimanakah caranya? Simak penjelasannya di materi berikutnya, yuk.
Data Wrangling
Data wrangling merupakan sebuah proses atau kumpulan kegiatan yang meliputi pengumpulan data (gathering data), penyiapan data untuk dianalisis (assessing data), dan pembersihan data (cleaning data) sebelum data digunakan dalam proses analisis.
Untuk dapat melalui data wrangling, Anda akan melewati beberapa langkah yang merupakan lanjutan dari langkah 1 sebelumnya. Mari kita mulai dengan mengumpulkan data.
Mengumpulkan Data
Langkah 2Setelah mengajukan pertanyaan efektif menggunakan SMART Questions pada langkah 1, selanjutnya yang harus Anda lakukan adalah mengumpulkan data seperti di bawah ini.
Dataset tersebut sama dengan dataset yang berasal dari Kaggle (yang ada di pembahasan awal studi kasus). Untuk memudahkan Anda dalam proses pengumpulan data, di bawah ini tersedia dataset Bali Popular Destination for Tourist 2022 yang dapat Anda duplikat (make a copy) dalam versi Spreadsheet. Dataset Bali Popular Destination for Tourist 2022 Spreadsheet |
Disclaimer: Dalam kondisi nyata di lapangan, bisa saja data-data yang telah dikumpulkan masih terdapat kekurangan sehingga Anda harus mencari sumber relevan untuk memperluas data, seperti hasil wawancara warga setempat, kuesioner wisatawan, jurnal, website, atau sumber lainnya. Data-data tersebut nantinya dikumpulkan terlebih dahulu agar semuanya sudah siap ketika Anda memerlukannya untuk menjawab semua pertanyaan atau masalah bisnis yang akan dihadapi.
Menyiapkan Data untuk Dianalisis
Setelah melewati proses pengumpulan data, pada tahap ini kita akan melakukan assessing data atau menilai data tersebut.
Langkah 3Dalam proses data wrangling, setelah Anda mengumpulkan data, hal selanjutnya yang perlu dilakukan adalah menyiapkan data. Langkah ini dilakukan untuk menilai kualitas dan struktur dari sebuah data. Selain itu, proses ini juga bertujuan untuk mengidentifikasi berbagai masalah yang terdapat dalam data, seperti missing value, understand value, dll. Untuk memudahkan Anda dalam menganalisis, urutkan destinasi berdasarkan rating tertinggi menggunakan filter terlebih dahulu seperti berikut.
Dataset tersebut akan otomatis terurut mulai dari rating terbesar hingga rating terkecil seperti yang terlihat pada gambar di bawah ini.
Setelah mengurutkan rating, hal berikutnya adalah menentukan nilai average atau nilai rata-rata. Nilai rata-rata yang akan didapatkan bisa menjadi acuan untuk mengetahui destinasi wisata yang memiliki rating paling kecil. Berikut merupakan tata cara menentukan nilai average atau nilai rata-rata pada data di atas.
Setelah mengetahui nilai rata-ratanya, sekilas kita dapat melihat destinasi wisata yang rating-nya di bawah 4.5. Yeay! Keren sekali! Anda sudah melewati tahap mengumpulkan dan menyiapkan data sederhana untuk dianalisis. Dalam tahap berikutnya, kita akan melakukan pembersihan data untuk menghilangkan bagian data yang tidak perlu dianalisis. Sebagai catatan, pertahankan dataset yang sudah Anda siapkan di latihan ini karena kita akan menggunakannya di tahap berikutnya. See you! |
Mari Kita Bersihkan!
Sebuah data yang telah terkumpul tentu tidak semena-mena dapat langsung digunakan karena memerlukan proses panjang sebelum ia dapat menghasilkan data yang informatif.
Ibaratkan berlian yang berlumur tanah, sebelum menjadi sebuah perhiasan yang indah nan mahal, maka perlu diolah sedemikian rupa terlebih dahulu. Begitu pula dengan sebuah data yang harus dibersihkan dari hal-hal yang tidak perlu agar dapat digunakan dengan baik.
Sebelum membersihkan data-data yang telah didapatkan, apakah Anda telah paham kriteria yang termasuk dalam data kotor? Jika belum, simak penjelasannya di bawah ini.
Data kotor adalah data yang tidak lengkap, salah, atau tidak relevan dengan masalah yang ingin diselesaikan. Berikut merupakan tipe-tipe data kotor.
Mari kita breakdown satu per satu agar Anda semakin paham. Disclaimer! Contoh di bawah ini merupakan fiktif belaka, bukan berasal dari dataset yang sesungguhnya.
- Duplicate data
Seperti yang tertera pada tabel di atas, duplicate data adalah data apa pun yang muncul lebih dari satu kali. Hal tersebut bisa jadi diakibatkan oleh entri data, impor, atau migrasi data secara manual. Apabila tetap dijalankan, perhitungan atau prediksi tidak akan akurat sehingga bakal mempengaruhi proses analisis data.
- Outdated data
Setiap data yang sudah usang harus diganti dengan informasi yang lebih baru dan akurat. Hal tersebut disebabkan oleh peran atau perusahaan yang berganti atau bisa jadi software dan sistem yang telah usang. Apabila tetap dijalankan, beberapa hal seperti wawasan, pengambilan keputusan, dan analisis tidak akan akurat.
Outdated data biasanya berupa data yang usang atau kadaluwarsa sehingga bisa jadi sudah tidak relevan dengan kondisi saat ini. Misalnya, Anda menggunakan data destinasi wisata tahun 2013. Apabila dibandingkan dengan kondisi saat ini, mungkin akan ada perubahan karena dalam satu dekade bisa saja terjadi bencana alam, pandemi, dan lain-lain.
- Incomplete data
Incomplete data merupakan kondisi ketika data apa pun yang tidak memiliki bidang penting atau tidak komplit. Hal tersebut disebabkan oleh pengumpulan data yang tidak benar atau entri data yang salah. Apabila tetap dijalankan, akan terjadi penurunan produktivitas, wawasan yang tidak akurat, atau ketidakmampuan untuk menyelesaikan layanan penting.
- Incorrect/inaccurate data
Ketidakakuratan data bisa disebabkan oleh kesalahan manusia (human error), informasi palsu, atau data tiruan. Apabila hal tersebut tetap dijalankan, wawasan atau pengambilan keputusan yang tidak akurat berdasarkan informasi buruk bisa jadi akan mengakibatkan hilangnya pendapatan.
- Inconsistent data
Data apa pun yang menggunakan format berbeda untuk mewakili hal yang sama akan menyebabkan ketidakkonsistenan. Hal tersebut bisa disebabkan oleh data yang tersimpan secara tidak benar atau terjadi kesalahan penyisipan selama transfer data. Apabila hal tersebut tetap dijalankan, poin data yang kontradiktif akan menyebabkan kebingungan atau ketidakmampuan untuk mengklasifikasikan atau mengelompokkan pelanggan.
Langkah 4You did it well! Sebelumnya, Anda telah melewati berbagai proses yang cukup panjang untuk menyiapkan data serta telah menentukan nilai rata-rata rating dari destinasi tersebut. Nah, pada bagian ini, tugas Anda adalah membersihkan dan memilah data yang tidak perlu dan tidak akan terpakai untuk memudahkan dalam proses analisis. Untuk menganalisis destinasi wisata, kita tidak membutuhkan kolom Coordinate dan Source sehingga kita dapat membersihkan data tersebut. Berikut merupakan cara membersihkan data pada dataset yang tidak diperlukan.
Setelah membersihkan dataset dari data yang tidak diperlukan, tahap selanjutnya adalah memilah rating yang berada di bawah rata-rata. Berikut merupakan tahap pembersihan data yang dapat Anda lakukan.
Dari hasil proses pemilahan dan pembersihan di atas, kurang lebih terdapat 11 destinasi wisata yang berada di bawah rata-rata. Namun, jangan lupa bahwa fokus pertama Anda adalah menganalisis data yang memiliki rating paling bawah, yaitu Goa Gajah. Dari jawaban tersebut, Anda dapat menganalisis hubungan antara data yang satu dengan lainnya. Tahap tersebut disebut dengan Exploratory Data Analysis (EDA) atau mengeksplorasi data yang akan dibahas pada materi berikutnya. Mudah sekali, bukan? Eits! Jangan dihapus dulu karena tabel ini masih digunakan pada langkah berikutnya. See you soon! |
Lalu, pernahkah terlintas dalam benak Anda, mengapa membersihkan data begitu penting? Simak dengan saksama penjelasannya di bawah ini, ya.
Pentingnya Membersihkan Data
Tahukah Anda bahwa data yang tidak akurat atau buruk dapat merugikan bisnis setiap tahun? Apakah ribuan dollar? Jutaan? Miliaran?
Nah, menurut IBM, biaya tahunan untuk membuat data yang berkualitas membutuhkan $3.1 triliun untuk di AS saja. Hal tersebut bukan karena kesalahan sistem atau teknis komputer, melainkan kesalahan manusia yang mengakibatkan adanya data kotor atau data yang tidak relevan pada setiap proses analisis.
Ketika bekerja dengan data kotor, Anda tidak dapat memastikan bahwa hasil semua data adalah benar. Integritas data sangat penting untuk hasil analitik data yang andal. Selain itu, data yang bersih juga akan membantu Anda untuk mencapai integritas data.
Jadi, alasan dari pentingnya proses pembersihan data itu sangat sederhana, yaitu agar dapat menghasilkan kualitas data pada proses analisis.
Cara Membersihkan Data
Secara umum, proses pembersihan data dapat dibagi ke dalam tiga tahapan, yaitu define, code, dan test.
- Define. Pada tahap ini, kita akan membuat rancangan tahapan serta metode pembersihan data berdasarkan masalah yang ditemukan dalam proses assessing data. Hal ini dapat dijadikan sebagai dokumentasi untuk memastikan orang lain memahami setiap tahapan dalam pembersihan data yang akan kita lakukan.
- Code. Setelah membuat rancangan pembersihan data, tahap selanjutnya ialah mengonversi hal tersebut menjadi sebuah kode program yang dapat dijalankan.
- Test. Setelah menjalankan kode program untuk pembersihan data, kita perlu memeriksa kembali data yang telah dibersihkan tersebut. Hal ini untuk memastikan proses pembersihan data yang dilakukan sesuai dengan ekspektasi.
Mengeksplorasi Data (Exploratory Data Analysis)
Pada dasarnya, tujuan eksplorasi data adalah untuk mengidentifikasi pola, hubungan (korelasi), dan tren dalam data sehingga Anda dapat menjawab pertanyaan yang diajukan secara akurat.
Sebelum melakukan eksplorasi data, hal lain yang perlu Anda ketahui adalah bahwa korelasi memiliki nilai dalam rentang tertentu untuk menentukan hubungan yang makin kuat, yaitu -1 (negatif) dan 1 (positif). Dengan diketahuinya nilai korelasi, maka dapat dilihat seberapa kuat korelasi antar data tersebut. Setelah mengetahui nilai korelasi tersebut, kita dapat mengetahui tren dari data apakah cukup kuat atau tidak.
Namun, apakah sebelumnya Anda telah mengetahui definisi dari tren yang dimaksud?
Tren merupakan sebuah analisis dengan membandingkan data dari waktu ke waktu untuk melihat hasil yang konsisten. Maka dari itu, hasil akhir dari eksplorasi data ini akan menjadi sebuah jawaban untuk SMART Questions yang sebelumnya telah Anda rumuskan.
Nah, di bawah ini merupakan empat fase eksplorasi secara umum untuk mendapatkan tren dari sebuah data.
- Mengatur data. Memastikan data sudah siap digunakan, bukan lagi data “mentah” yang harus diolah lagi.
- Memformat dan menyesuaikan data. Menyesuaikan data yang ingin dilihat korelasi satu sama lain untuk memudahkan analisis.
- Mendapatkan insights dari orang lain. Selain menganalisis berdasarkan data, Anda juga perlu mengeksplorasi dari berbagai metode untuk mendapatkan insights, contohnya melalui wawancara warga setempat terkait faktor yang memengaruhi destinasi wisata tersebut mendapatkan rating rendah atau mencari tahu melalui website destinasi wisata tersebut, dan lain sebagainya.
- Amati hubungan antar titik data dan membuat perhitungan.
Langkah 5Setelah Anda melakukan tahapan data wrangling, selanjutnya adalah proses mengeksplorasi data untuk melihat hubungan antar data. Menilik ke empat fase di atas, Anda telah melewati fase mengatur data di tahap data wrangling sehingga sekarang Anda akan langsung diarahkan pada fase kedua, yaitu memformat dan menyesuaikan data. Fase tersebut dapat Anda lakukan dengan cara copy data yang sudah difilter untuk kolom Place, Google Maps Rating, Google Reviews (Count), dan Harga Tiket Masuk ke sheet Analisis Data seperti yang tertera di bawah ini.
Hal tersebut akan memudahkan Anda menganalisis korelasi antar keduanya tanpa ada distraksi dari data lain. Kemudian, kita masuk ke tahap ketiga, yaitu mendapatkan insights dari orang lain. Ketika Anda telah memiliki hasil data yang “matang”, tidak serta merta data tersebut bisa langsung digunakan. Bisa jadi data tersebut masih membutuhkan informasi tambahan, seperti dari hasil wawancara, website destinasi wisata setempat, pusat statistik, buku, dll. Setelah Anda menambahkan insight, tahap selanjutnya adalah mengamati hubungan antar titik data dan membuat perhitungan. Berikut merupakan tahap mengamati hubungan antar titik data dan membuat perhitungan.
Bagaimana kesan Anda sampai tahap memfilter rating sejauh ini? Tentu sudah sangat paham, bukan? Nah, langkah selanjutnya adalah mencari nilai korelasi dari data-data tersebut dengan menggunakan rumus seperti berikut. =CORREL(data_y, data_x) Data y merupakan nilai pada kolom Google Reviews dan data x adalah nilai pada kolom Google Maps Rating. Hasilnya akan tampak seperti di bawah ini.
Tantangan! Coba cari nilai korelasi antara Rating & Harga Tiket Masuk atau Review & Harga Tiket Masuk untuk menambahkan informasi analisis Anda. Dari nilai korelasi tersebut dapat disimpulkan bahwa korelasi antara Google Maps Rating dan Google Reviews memiliki hubungan karena memiliki nilai korelasi positif; hanya saja tidak memiliki hubungan yang kuat karena masih jauh dari angka 1. Setelah mengetahui hasil korelasi, saatnya Anda mencari tren dari data di atas. Untuk melakukan hal tersebut, kita perlu menggunakan grafik yang tepat, yaitu scatter plot (pengertian akan dijelaskan pada materi visualisasi data). Di bawah ini merupakan langkah-langkah dalam menggambarkan data melalui grafik scatter plot.
Dari nilai korelasi yang telah didapatkan yaitu 0.4 dan grafik scatter tidak menunjukan tren yang signifikan, maka dapat disimpulkan bahwa antara Google Maps Rating dan Google Review tidak memiliki hubungan atau korelasi yang kuat satu sama lain. Tantangan! Coba cari tren antara Rating & Harga Tiket Masuk atau Review & Harga Tiket Masuk untuk menambahkan informasi analisis Anda. |
Setelah melewati tahap-tahap dalam eksplorasi data, Anda dapat menjawab SMART Questions yang telah dirumuskan sebelumnya.
| S | M | A | R | T |
|---|---|---|---|---|
“Destinasi wisata manakah yang memiliki rating paling rendah?” | “Berapa banyak destinasi wisata yang memiliki rating di bawah rata-rata?” “Berapa rating terendah yang terdapat pada destinasi wisata tersebut?” | “Hal apa yang perlu dilakukan daerah setempat untuk meningkatkan rating destinasi wisata tersebut?” | “Apakah aksi tersebut dapat meningkatkan rating destinasi wisata? ” | “Berapa lama rencana peningkatan tersebut dilaksanakan?” |
Simak jawaban dari SMART Questions tersebut di bawah ini.
Setelah melakukan analisis di atas, terdapat 11 destinasi wisata yang berada di bawah rata-rata (M). Dari destinasi wisata tersebut yang perlu diperhatikan adalah destinasi wisata Goa Gajah (S) karena memiliki rating paling rendah, yaitu 4.2 (M) sehingga untuk dapat meramaikan tempat wisata tersebut diperlukan upaya oleh daerah setempat mulai dari promosi melalui influencer, inovasi wisata, kualitas wisata, dsb (A). Dari upaya tersebut, influencer dapat mempromosikan melalui media sosial (A) yang dapat meningkatkan jumlah wisatawan dan dapat meningkatkan rating Goa Gajah (R). Upaya uji coba akan dilakukan dalam rentang waktu satu kuartal atau sekitar tiga bulan mulai dari Januari hingga Maret (T). Setelah dilakukan uji tersebut, maka perlu dianalisis kembali terkait upaya untuk meningkatkan destinasi tersebut. |
Good Job! Berbagai langkah telah Anda lalui hingga akhirnya sampai ke eksplorasi data. Langkah selanjutnya adalah memvisualisasikan data-data yang telah Anda siapkan tersebut agar dapat dipresentasikan kepada stakeholders, klien, atau siapa pun yang membutuhkan insight dari data tersebut. Simak penjelasannya di materi berikutnya, yuk!
Memvisualisasi Data
Setelah sekian purnama Anda bergelut dengan data, pada materi ini kita masuk ke pembahasan visualisasi data. Dari seluruh tahap mulai menyusun pertanyaan efektif, data wrangling, hingga mengeksplorasi data; seharusnya Anda telah memiliki sebuah data yang sudah siap untuk digunakan.
Nah, data-data tersebut nantinya akan diinterpretasikan ke dalam grafik dalam tahap memvisualisasikan data ini.
Hal ini dilakukan untuk mempermudah kita dalam memahami data dan membuat sebuah kesimpulan yang tepat. Selain itu, visualisasi data juga dapat membantu kita dalam menyampaikan cerita atau temuan dari hasil analisis data kepada orang lain atau stakeholder.
Jenis-Jenis Visualisasi Data yang Dihindari
Seperti yang telah disampaikan di awal, pada beberapa materi ke depan, kita akan fokus pada pembahasan visualisasi data. Ketika berbicara tentang visualisasi data, kita tidak hanya membahas cara menyajikan data ke dalam bentuk visual, melainkan juga harus memahami berbagai prinsip dasar dalam membuat visualisasi data yang baik dan benar.
Nah, pada materi ini, kita akan fokus membahas tentang prinsip tersebut. Sebagai permulaan, mari kita lihat berbagai contoh visualisasi data yang buruk dan tidak mengikuti prinsip desain dalam visualisasi data.
Sederhananya, visualisasi data yang buruk merupakan bentuk visual yang tidak mampu menyampaikan pesan dan informasi terkait data secara baik dan efisien. Umumnya, visualisasi data yang buruk memuat salah satu dari tiga masalah berikut.
- Misleading
Masalah pertama dalam visualisasi data yang buruk ialah misleading information yang mampu mengakibatkan kesalahan dalam pengambilan kesimpulan dari sebuah data. Berikut contoh visualisasi data yang bisa mengakibatkan misleading information.
Apa yang ada di benak Anda ketika melihat visualisasi data tersebut? Tentunya Anda akan melihat bahwa terdapat gap yang cukup besar dari kedua nilai tersebut. Hal ini contoh kesalahan pengambilan kesimpulan karena buruknya sebuah visualisasi data.
Apakah Anda bisa menebak kesalahan apa yang mengakibatkan visualisasi data di atas menghasilkan kesimpulan yang salah? Yap, benar sekali! Visualisasi datanya tidak mulai dari nol sehingga terkesan ada gap yang cukup besar dari kedua nilai tersebut. Berikut merupakan contoh perbaikan dari visualisasi di atas.
Anda dapat melihat dari grafik di atas bahwa ternyata tidak ada gap yang terlalu besar antara dua data tersebut. Itulah pentingnya membuat grafik dari angka 0. - Hides
Selain misleading information, masalah lain yang umum dijumpai dalam visualisasi data yang buruk ialah menyembunyikan (hides) informasi tertentu. Berikut contoh visualisasi data yang menyembunyikan informasi penting dari sebuah data.
Berdasarkan visualisasi di atas, bisakah Anda menjawab destinasi wisata yang paling banyak dikunjungi? Anda mungkin akan kesulitan menjawab karena ada informasi yang disembunyikan. Maka dari itu, perlu ditampilkan dengan jelas persentase dari nilai-nilai grafik di atas seperti yang tertera di bawah ini.
Apabila dibandingkan dengan gambar sebelumnya, tentu pada gambar ini Anda dapat menjawab pertanyaan destinasi wisata yang paling banyak dikunjungi, bukan? - Distract
Masalah lain yang mungkin terjadi ialah distract atau distraksi. Visualisasi data yang buruk sering kali menyertakan komponen visual yang seharusnya tidak dibutuhkan sehingga mengganggu proses pengambilan kesimpulan. Berikut merupakan contoh visualisasi data yang memuat komponen visual yang tidak dibutuhkan.
Pada contoh di atas, tidak terdapat highlight warna pada data untuk menunjukkan nilai tertinggi atau terendah. Warna merupakan komponen visual yang penting dalam visualisasi data. Oleh karena itu, kita bisa menggunakannya untuk menyampaikan pesan yang menarik dan mempermudah orang lain untuk memahami data yang dimiliki. Gambar di bawah ini merupakan contoh visualisasi data yang baik dalam penggunaan warna untuk menyorot bagian tertentu.
Pada gambar tersebut, terdapat warna yang berbeda, yaitu pada bagian “Bali Zoo”. Warna tersebut di highlight karena memiliki nilai yang paling tinggi di antara lainnya.
Oke, kita telah melihat berbagai masalah beserta contohnya pada visualisasi data yang buruk. Kini saatnya kita mengenal berbagai prinsip dalam visualisasi data untuk menghindari kesalahan tersebut.
Prinsip-Prinsip dalam Memvisualisasikan Data
Jika ditelisik secara mendasar, visualisasi data merupakan proses dalam mengubah data ke dalam bentuk visual menggunakan berbagai elemen visual. Berikut merupakan beberapa prinsip dalam membangun elemen visual yang umum digunakan untuk membuat visualisasi data.
- Position: Elemen ini akan membantu kita merepresentasikan titik data menggunakan sumbu tertentu (seperti sumbu X, Y, dan Z) sebagai acuan.
- Size: Ukuran (panjang atau lebar) merupakan elemen visual yang umumnya kita gunakan untuk membedakan serta membandingkan nilai dari kategori atau titik data tertentu.
- Shape: Bentuk merupakan salah satu elemen visual yang dapat digunakan untuk membedakan kategori atau titik data tertentu.
- Color: Selain bentuk, warna juga merupakan pilihan elemen visual lain yang dapat digunakan untuk membedakan kategori atau titik data tertentu. Ketika menggunakan elemen ini, kita harus ingat bahwa tidak semua orang memiliki kemampuan untuk membedakan warna dengan baik.
- Texture: Penambahan tekstur atau pola tertentu bisa menjadi alternatif lain dalam membedakan kategori atau titik data tertentu.
- Angle: Pada beberapa pilihan bentuk visualisasi data, sudut merupakan salah satu elemen visual yang digunakan untuk merepresentasikan nilai dari suatu data.
Visualisasi Data dengan Spreadsheet
Pada kelas dasar ini, Anda akan belajar membuat visualisasi data sederhana menggunakan spreadsheet. Contoh di bawah ini diambil dari studi kasus “Bali Popular Destination for Tourist 2022”. Mari perhatikan dengan saksama.
- Jumlah rating destinasi wisata di Bali per kategori
Gambar tersebut didapatkan dari menjumlahkan rating per kategori mulai dari rating 4.8 hingga 4.2 dengan menggunakan rumus berikut.Keterangan: range adalah kolom Google Maps Rating dan criterion adalah angka yang ingin dicari, misalnya 4.8. Jadi, dari persamaan di atas, dapat ditulis seperti berikut.=COUNTIF(range, criterion) Sehingga didapatkan hasil seperti di bawah ini.=COUNTIF(C2:C35, 4.8) 
- Korelasi antara Google Review dan Google Maps Rating
Gambar tersebut didapatkan dari hasil perbandingan antara Google Review dan Google Maps Rating. Dari gambar tersebut, dapat disimpulkan bahwa keduanya tidak memiliki tren yang signifikan. Hal tersebut terjadi karena berbagai faktor, mulai dari perbandingannya yang tidak seimbang, ketersediaan data yang terbatas, masih terdapat data kotor, dll.
Nah, dari kedua gambar di atas, Anda sudah dapat menyampaikan kepada stakeholders, klien, atau siapa pun yang membutuhkan insight dari data tersebut. Anda dapat menjelaskan grafik-grafik di atas, baik dalam sebuah laporan maupun presentasi. Tentunya, grafik yang dapat Anda tampilkan tidak terbatas seperti di atas, melainkan banyak jenis-jenis grafik yang dapat Anda eksplor seperti yang tertera di bawah ini.
Eksplorasi Grafik
Tahukah Anda? Ada lebih dari 40 jenis grafik di luar sana, tetapi kurang lebih hanya beberapa yang umum untuk digunakan. Mari kita eksplor tentang 5 jenis bagan populer kapan kondisi penggunaannya.
- Bar Chart
- Kapan menggunakannya?
- Ketika membandingkan bagian dari sekumpulan data yang lebih besar, menyoroti kategori yang berbeda, atau menampilkan perubahan dari waktu ke waktu.
- Ketika ingin mengilustrasikan nilai positif dan negatif dalam kumpulan data.
- Kapan harus dihindari?
- Ketika Anda memiliki banyak kategori karena grafik batang sebaiknya tidak boleh memiliki lebih dari 10 batang (kategori).
- Ketika Anda memiliki banyak kategori karena grafik batang sebaiknya tidak boleh memiliki lebih dari 10 batang (kategori).
- Kapan menggunakannya?
- Pie Chart
- Kapan menggunakannya?
- Saat Anda menampilkan proporsi dan persentase relatif dari seluruh kumpulan data.
- Paling baik digunakan dengan kumpulan data kecil.
- Ketika data yang Anda memiliki tidak lebih dari 6 kategori.
- Ketika data Anda nominal dan bukan ordinal.
- Kapan harus dihindari?
- Ketika Anda memiliki kumpulan data yang besar.
- Ketika Anda ingin membuat perbandingan yang tepat atau absolut antara nilai.
- Kapan menggunakannya?
- Line Chart
- Kapan menggunakannya?
- Ketika memiliki kumpulan data berkelanjutan yang berubah seiring waktu.
- Saat kumpulan data terlalu besar untuk bar chart.
- Ketika ingin menampilkan beberapa seri untuk garis waktu yang sama.
- Saat ingin memvisualisasikan tren, bukan nilai yang tepat.
- Kapan harus dihindari?
- Line chart bekerja lebih baik dengan kumpulan data yang lebih besar, jadi ketika hanya terdapat data yang kecil atau sedikit, maka bisa gunakan bagan batang.
- Line chart bekerja lebih baik dengan kumpulan data yang lebih besar, jadi ketika hanya terdapat data yang kecil atau sedikit, maka bisa gunakan bagan batang.
- Kapan menggunakannya?
- Scatter plot
- Kapan menggunakannya?
- Untuk menunjukkan korelasi dan pengelompokan dalam kumpulan data besar.
- Ketika kumpulan data berisi titik yang memiliki sepasang nilai.
- Ketika urutan poin dalam dataset tidak penting.
- Kapan harus dihindari?
- Ketika terdapat kumpulan data kecil.
- Ketika nilai dalam kumpulan data tidak berkorelasi satu sama lain.
- Kapan menggunakannya?
- Area Chart
- Kapan menggunakannya?
- Ketika Anda ingin menunjukan hubungan bagian keseluruhan
- Ketika ingin menggambarkan volume data dan bukan hanya hubungannya dengan waktu
- Kapan harus dihindari?
- Tidak dapat digunakan dengan data diskrit
- Kapan menggunakannya?
Sumber: Data Visualization 101
TantanganBuat visualisasi data dari Google Reviews (Count) yang telah disediakan menggunakan grafik yang menurut Anda sesuai. Bagikan hasil penemuan Anda di forum diskusi dengan format berikut, yuk. Eksplorasi Grafik_(Masukkan gambar)_(Alasan menggunakan grafik tersebut) |
Eits, jangan terburu-buru. Masih terdapat satu langkah lagi yang dapat Anda selesaikan dalam pembelajaran ini, yaitu bercerita dengan data. Simak penjelasannya di bawah ini, ya.
Bercerita dengan Data
Sebelum Anda mempelajari hal ini lebih lanjut, terdapat hal yang perlu diketahui. Fakta dan angka sangat penting dalam dunia bisnis, tetapi jarang memberikan kesan yang bertahan lama dalam ingatan para pendengarnya. Berjalan dari latar belakang tersebut, maka untuk menciptakan komunikasi yang membuat orang berpikir dan meyakinkan mereka mengambil tindakan, diperlukan sebuah penceritaan data yang baik.
Nah, pada pembahasan kali ini, Anda akan belajar terkait cara menceritakan sebuah data kepada para audiens. Sudah tidak sabar? Yuk, simak penjelasannya di bawah ini.
Setelah Anda melalui semua tahap dalam menganalisis data, berikut merupakan langkah terakhir yang perlu Anda lakukan guna semua tahap terpenuhi dan Anda mampu menjadi seorang data scientist yang andal, yaitu bercerita dengan data atau biasa disebut storytelling.
Storytelling adalah mengomunikasikan makna kumpulan data dengan visual dan narasi yang disesuaikan untuk setiap audiens tertentu. Narasi adalah kata lain dari cerita.
Berikut merupakan tiga hal yang perlu Anda siapkan sebelum bercerita dengan data.
- Libatkan audiens. Ketika Anda menganalisis sebuah data, maka libatkan audiens untuk melihat hasil dari analisis tersebut. Pasalnya, hal tersebut adalah cara yang jauh lebih menarik untuk berbagi data.
- Buat visual yang menarik. Anda ingin menunjukkan kisah data Anda, bukan hanya menceritakannya. Visual harus membawa audiens dalam perjalanan tentang bagaimana data berubah dari waktu ke waktu.
- Ceritakan kisah dengan cara yang menarik. Tahap terakhir ini adalah menceritakan kisah tersebut dalam narasi yang menarik.
Berikut merupakan contoh dari storytelling yang dapat Anda gunakan apabila membuat sebuah portofolio.
Download Contoh Storytelling Data
Jangan lupa! Bagikan pengalaman Anda hingga akhir tahap ini di forum diskusi agar semua rekan-rekan Anda mengetahui bahwa Anda adalah seseorang yang hebat!
Perjalanan Anda sudah semakin dekat hingga tujuan akhir. Bagaimana terkait penjelasan analisis data? Mudah sekali, bukan? Nah, pada modul berikutnya Anda akan dihadapkan dengan hal yang lebih menarik dan lebih menantang lagi, penasaran? Yuk, kita langsung ke modul berikutnya.
Tahukah Anda?Di era teknologi yang semakin berkembang, gelombang data yang masuk semakin tak terbendung. Para pelaku bisnis berbondong-bondong mencari para praktisi untuk menangani data yang membludak sehingga banyak dibutuhkan seorang praktisi data atau data analyst dalam menangani tantangan dan masalah yang dihadapi. Di bawah ini merupakan sebagian contoh lowongan data analyst yang tertera di LinkedIn, Anda dapat menambahkan keahlian analisis data atau melamar pada posisi data analyst (analisis data) ketika telah selesai mengerjakan course ini. Good luck!
Apakah Anda tahu berapa gaji data analyst di Indonesia? Yuk, kita eksplorasi bersama. Berdasarkan sumber Superapp, berikut merupakan gaji seorang data analyst di beberapa kota di Indonesia per bulan.
Menurut Coursera, salah satu faktor terbesar yang dapat memengaruhi gaji Anda adalah tingkat pengalaman. Secara umum, semakin banyak pengalaman Anda, maka sebanding dengan semakin banyak pula penghasilan yang Anda dapatkan.
Wah… sangat menggiurkan sekali ya? * Dengan asumsi 1 USD = Rp.15,946 |
Rangkuman Menjelajahi Analisis Data
Analisis data adalah proses menyelidiki, membersihkan, mengubah, dan memodelkan data dengan tujuan menemukan informasi yang berguna, menginformasikan kesimpulan, dan mendukung pengambilan keputusan, dan masih banyak lagi.
Mengumpulkan Data
Setelah mengajukan pertanyaan efektif menggunakan SMART Questions, yang harus Anda lakukan selanjutnya adalah mengumpulkan data. Data-data yang telah didapatkan baik dari kuesioner atau wawancara atau sumber lainnya, perlu dikumpulkan terlebih dahulu tujuannya adalah ketika Anda memerlukan data-data yang dibutuhkan untuk menjawab semua pertanyaan atau masalah bisnis yang akan dihadapi sudah siap.
Menyiapkan Data untuk Dianalisis
Tahap ini bisa juga disebut sebagai assessing data dengan kata lain penilaian terhadap data tersebut. Proses ini dilakukan untuk menilai kualitas dan struktur dari sebuah data. Selain itu, proses ini juga bertujuan untuk mengidentifikasi berbagai masalah yang terdapat dalam data, seperti missing value, understand value, dll.
Mari Kita Bersihkan!
Data kotor adalah data yang tidak lengkap, salah, atau tidak relevan dengan masalah yang ingin diselesaikan. Berikut merupakan tipe-tipe data kotor.
Mari kita breakdown satu persatu agar Anda semakin paham.
- Duplicate data
Duplicate data adalah catatan data apa pun yang muncul lebih dari satu kali. Hal tersebut bisa jadi diakibatkan oleh entri data, impor, atau migrasi data secara manual. Apabila tetap dijalankan, maka perhitungan atau prediksi tidak akan akurat, atau akan bingung selama pengambilan data.
- Outdated data
Setiap data yang sudah tua harus diganti dengan informasi yang lebih baru dan lebih akurat. Hal tersebut disebabkan oleh peran atau perusahaan yang berganti atau bisa jadi software dan sistem yang telah usang. Apabila tetap dijalankan, maka wawasan, pengambilan keputusan, dan analisis tidak akan akurat.
- Incomplete data
Incomplete berarti tidak komplit adalah kondisi ketika data apa pun yang tidak memiliki bidang penting. Hal tersebut disebabkan oleh pengumpulan data yang tidak benar atau entri data yang salah. Apabila tetap dijalankan, maka akan penurunan produktivitas, wawasan yang tidak akurat, atau ketidakmampuan untuk menyelesaikan layanan penting.
- Incorrect/inaccurate data
Jumlah data yang banyak bisa jadi data tersebut adalah tidak akurat. Ketidakakuratan data bisa disebabkan oleh kesalahan manusia (human error), informasi palsu, atau data tiruan. Apabila hal tersebut tetap dijalankan, wawasan atau pengambilan keputusan yang tidak akurat berdasarkan informasi buruk bisa jadi akan mengakibatkan hilangnya pendapatan.
- Inconsistent data
Data apapun yang menggunakan format berbeda untuk mewakili hal yang sama. Ketidakkonsistenan data bisa saja disebabkan oleh data disimpan secara tidak benar atau kesalahan menyisipkan selama transfer data. Apabila hal tersebut tetap dijalankan, maka poin data yang kontradiktif menyebabkan kebingungan atau ketidakmampuan untuk mengklasifikasikan atau mengelompokkan pelanggan.
Mengapa Membersihkan Data Begitu Penting?
Fungsi pembersihan data adalah
- mengidentifikasi pola-pola penting
- menghubungkan informasi terkait, dan
- menarik kesimpulan yang bermanfaat.
Oleh karena itu, mengapa pembersihan data begitu diperlukan? Jawabannya sangat sederhana yaitu agar menghasilkan kualitas data pada analisis.
Cara Membersihkan Data
Secara umum, proses pembersihan data dapat dibagi ke dalam tiga tahapan, yaitu define, code, dan test.
- Define. Pada tahap ini, kita akan membuat rancangan tahapan serta metode pembersihan data berdasarkan masalah yang ditemukan dalam proses assessing data. Hal ini dapat dijadikan sebagai dokumentasi untuk memastikan orang lain memahami setiap tahapan dalam pembersihan data yang akan kita lakukan.
- Code. Setelah membuat rancangan pembersihan data, tahap selanjutnya ialah mengonversi hal tersebut menjadi sebuah kode program yang dapat dijalankan.
- Test. Setelah menjalankan kode program untuk membersihkan data, kita perlu memeriksa kembali data yang telah dibersihkan tersebut. Hal ini untuk memastikan proses pembersihan data dilakukan sesuai ekspektasi kita.
Mengeksplorasi Data
Tujuan analisis adalah untuk mengidentifikasi tren dan hubungan dalam data sehingga Anda dapat menjawab pertanyaan yang Anda ajukan secara akurat. Sebelum melakukan eksplorasi data, apakah yang dimaksud dengan tren?
Tren merupakan sebuah analisis dengan membandingkan data dari waktu ke waktu untuk melihat hasil yang konsisten.
Di bawah ini merupakan empat fase analisis pada umumnya, yaitu
- mengatur data.
- memformat dan menyesuaikan data.
- mendapatkan insights dari orang lain.
- mengubah data dengan mengamati hubungan antara titik data dan membuat perhitungan.
Menyusun Pertanyaan Efektif
- Specific
Pertanyaan efektif tentu harus bersifat spesifik, artinya sebuah pertanyaan analisis harus merujuk pada topik tertentu. Pertanyaan spesifik mampu membantu Anda dalam mendapatkan jawaban yang spesifik. Oleh karena itu, apabila sebuah pertanyaan masih bersifat general dengan memperhatikan hal yang harus dihindari di atas, maka coba lebih mengerucut lagi pada satu topik tertentu. - Measurable
Selain spesifik yang perlu diperhatikan adalah sebuah pertanyaan mesti terukur (measurable). Jawaban dari hal ini akan menjadi sebuah tolak ukur Anda dalam mendapatkan jawaban yang meaningful insights. - Action-oriented
Kategori ini bermaksud bahwa pertanyaan yang diajukan harus mampu memberikan informasi yang dapat membantu Anda dalam membuat sebuah action-plan. - Relevant
Poin keempat ini memiliki arti bahwa pertanyaan yang diajukan harus berbobot dan memiliki arti untuk menyelesaikan sebuah permasalahan. - Time-bound
Poin terakhir yaitu pertanyaan yang diajukan mesti bersifat time-bound atau memiliki relevansi terhadap waktu saat ini.
Jenis-Jenis Visualisasi Data yang Dihindari
- Misleading
Masalah pertama dalam visualisasi data yang buruk ialah misleading information yang mampu mengakibatkan kesalahan dalam pengambilan kesimpulan dari sebuah data. - Hides
Selain misleading information, masalah lain yang umum dijumpai dalam visualisasi data yang buruk ialah menyembunyikan informasi tertentu. - Distract
Masalah lain yang mungkin terjadi ialah distraksi. Visualisasi data yang buruk sering kali menyertakan komponen visual yang seharusnya tidak dibutuhkan dan malah mengganggu proses pengambilan kesimpulan dari sebuah visualisasi data.
Prinsip-Prinsip dalam Memvisualisasikan Data
- Position. Elemen ini akan membantu kita merepresentasikan titik data menggunakan sumbu tertentu (seperti sumbu X, Y, dan Z) sebagai acuan.
- Size. Ukuran (panjang atau lebar) merupakan elemen visual yang umumnya kita gunakan untuk membedakan serta membandingkan nilai dari kategori atau titik data tertentu.
- Shape. Bentuk merupakan salah satu elemen visual yang dapat digunakan untuk membedakan kategori atau titik data tertentu.
- Color. Selain bentuk, warna juga merupakan pilihan elemen visual lain yang dapat digunakan untuk membedakan kategori atau titik data tertentu. Ketika menggunakan elemen ini, kita harus ingat bahwa tidak semua orang memiliki kemampuan untuk membedakan warna dengan baik.
- Texture. Penambahan tekstur atau pola tertentu bisa menjadi alternatif lain dalam membedakan kategori atau titik data tertentu.
- Angle. Pada beberapa pilihan bentuk visualisasi data, sudut merupakan salah satu elemen visual yang digunakan untuk merepresentasikan nilai dari suatu data.
Bercerita dengan Data
Berikut merupakan tiga hal yang perlu Anda siapkan sebelum bercerita dengan data.
- Libatkan audiens. Ketika Anda menganalisis sebuah data, maka libatkan audiens untuk melihat hasil dari analisis tersebut. Karena hal tersebut adalah cara yang jauh lebih menarik untuk berbagi data.
- Buat visual yang menarik. Anda ingin menunjukkan kisah data Anda, bukan hanya menceritakannya. Visual harus membawa audiens Anda dalam perjalanan tentang bagaimana data berubah dari waktu ke waktu.
- Ceritakan kisah dengan cara yang menarik. Tahap terakhir ini adalah menceritakan kisah tersebut dalam narasi yang menarik.
- Get link
- X
- Other Apps
Comments
Post a Comment