Introduction to Data and Data Types

Pengertian dan Karakteristik Data

Data adalah kumpulan fakta, angka, atau informasi yang diperoleh melalui pengamatan,

pengukuran, atau pengumpulan informasi. Data memiliki karakteristik berupa:

 Relevansi: data harus relevan dengan tujuan analisis yang ingin dicapai

 Akurasi: data harus akurat dan dapat dipercaya

 Kelengkapan: data harus lengkap dan tidak ada yang hilang atau terlewat

 Konsistensi: data harus konsisten dan tidak bertentangan

Tipe Data

 Numerical Data adalah data yang berupa angka dan dapat dihitung. Contoh: Usia,

pendapatan.

 Categorical Data adalah data yang menggambarkan kategori atau kelompok.

Contoh: jenis kelamin, kategori produk.

 Ordinal Data adalah data yang memiliki urutan atau tingkatan. Contoh: tingkat
pendidikan
Representasi dan Format Data

Visualisasi representasi dan format data

Sumber gambar: [Link]

structured-data/

Tipe-tipe data dapat ditampilkan dalam beberapa bentuk dan format, yaitu:

 Structured data: data yang diatur dalam format terstruktur, seperti tabel atau basis

data.

 Unstructured data: data yang tidak memiliki format teratur, seperti teks, gambar,

atau radio.

 Semi-structured data: data yang memiliki sedikit struktur, seperti XML atau

JSON.

Sumber Data

Data berasal dari dua sumber, yaitu sumber internal dan sumber eksternal. Sumber

internal adalah data yang dihasilkan dari dalam organisasi seperti data transaksi atau data
operasional. Contohnya adalah yang berasal dari Basis Data Pelanggan, Data Penjualan,

Laporan Keuangan, Inventaris dan Stok, Data Karyawan.

Sedangkan sumber eksternal adalah data yang diperoleh dari sumber di luar organisasi,

seperti data publik atau data dari mitra bisnis. Contohnya adalah yang berasal dari Data Pasar,

Data Pesaing, Laporan Berita dan Media, Data Pemerintah dan Regulasi, dan Data Sosial

Media.

Metode Pengumpulan Data

1. Survey: data dikumpulkan melalui pertanyaan langsung kepada responden

2. Observation: data dikumpulkan melalui pengamatan kegiatan atau perilaku

3. Experiment: data dikumpulkan melalui pengujian dan manipulasi variabel

Untuk menentukan metode pengumpulan data kita perlu memperhatikan beberapa hal sebagai

berikut:

1. Menentukan tujuan penelitian atau analisis. Kita perlu memahami dengan jelas

apa yang ingin kita ketahui atau kita capai melalui pengumpulan data. Kita harus

mengidentifikasi pertanyaan penelitian atau tujuan analisis.

2. Identifikasi tujuan data yang dibutuhkan. Sebelum mengumpulkan data kita

harus menentukan jenis data yang diperlukan untuk menjawab pertanyaan

penelitian atau untuk mencapai tujuan analisis yang akan kita lakukan. Apakah

kita memerlukan data kuantitatif (angka dan statistik) atau kualitatif (deskripsi dan

wawancara).

3. Evaluasi ketersediaan data. Kita harus terlebih dahulu mempertimbangkan

apakah data yang kita butuhkan sudah tersedia secara eksternal atau apakah kita

perlu mengumpulkan sendiri. Apabila data yang dibutuhkan sudah tersedia, kita

hanya perlu mengakses. Namun, apabila data yang kita butuhkan belum ada, kita

perlu merencanakan metode pengumpulannya.

Data Exploration and Visualization

Teknik Exploratory Data Analysis (EDA) adalah suatu proses penyelidikan dan pemahaman

data melalui metode grafis dan statistik. Teknik EDA memiliki beberapa teknik yang meliputi:

1. Statistik Deskriptif, yaitu menggambarkan dan menggali wawasan tentang data

melalui ukuran pusat, ukuran penyebaran, dan visualisasi grafis.

2. Penemuan Pola, yaitu mengidentifikasi pola, korelasi, dan hubungan dalam data

melalui teknik seperti analisis klaster, asosiasi, atau pemodelan prediktif

sederhana.

Data Visualization Principles and Best Practice

Prinsip-prinsip dan praktik terbaik visualisasi data membantu mengkomunikasikan informasi

dengan efektif dan jelas. Beberapa prinsip dan praktik terbaik yang perlu diperhatikan, yaitu:

1. Kejelasan. Kita perlu memastikan bahwa visualisasi mudah dibaca, dengan

penggunaan label yang jelas dan skala yang sesuai.

2. Sederhana. Kita perlu menyederhanakan visualisasi dengan menghilangkan

elemen yang tidak perlu dan mempertahankan fokus pada pesan utama.

3. Kesesuaian. Pilih jenis visualisasi yang paling sesuai dengan jenis data dan tujuan

komunikasi.

4. Warna. Kita dapat menggunakan warna dan kontras dengan hati-hati untuk

memperjelas informasi dan membedakan elemen dengan jelas.

Tools and Software for Data Exploration and Visualization

 Python libraries: Matplotlib, Seaborn, dan Plotly adalah beberapa pustaka populer

dalam python yang menyediakan fungsi untuk membuat visualisasi data.

  Tableau: software yang memungkinkan pengguna untuk membuat visualisasi data

yang interaktif dan mudah dipahami tanpa pengetahuan pemrograman yang

mendalam.

Data Cleaning and Preprocessing

Data Quality Assessment and Data Cleaning Techniques

Penilaian kualitas data adalah proses evaluasi terhadap data untuk mengidentifikasi masalah

dan kekurangan teknik pembersihan data atau data cleaning, yang meliputi:

1. Duplikasi: menghapus duplikat data yang tidak diperlukan.

2. Validasi: memeriksa integritas data dan memastikan kesesuaian dengan aturan

atau batasan tertentu.

3. Standarisasi: Mengubah data ke format standar yang konsisten.

4. Formatting: Mengubah format data agar sesuai dengan kebutuhan analisis.

Handling Missing Data, Outliers, and Inconsistencies

1. Data Imputation: mengisi niali yang hilang dengan nilai yang dapat diperkirakan
berdasarkan metode statistik atau pemodelan.

2. Outlier Treatment: mengidentifikasi dan menangani outlier dengan teknik seperti

penghapusan, subtitusi, atau transformasi data.

3. Data Consistency Check: memeriksa kesesuaian data dengan aturan atau kriteria

tertentu dan menangani inkonsistensi apabila ditemukan.

Data Transformation and Normalization

Transformasi dan normalisasi data adalah langkah untuk mengubah data ke dalam format yang

lebih cocok untuk analisis. Beberapa teknik yang umum digunakan meliputi:
  Log Transform: mengubah data dengan skala besar menjadi distribusi yang lebih

normal dengan menggunakan logaritma.

 Min-Max Scaling: mengubah data menjadi rentang nilai tertentu, umunya antara

0 dan 1.

 Standardization: mengubah data menjadi distribusi standar dengan rata-rata 0 dan

deviasi standar 1.

Data Integration and Data Fusion

Integrasi data adalah proses menggabungkan data dari sumber yang berbeda menjadi suatu

dataset yang utuh. Sedangkan data fusion atau penggabungan data adalah sebuah proses

menggabungkan data yang redundan atau saling melengkapi untuk menghasilkan dataset yang

lebih lengkap dan akurat.

Teknik dan algoritma yang digunakan dalam integrasi dan penggabungan data

meliputi perbandingan, korelasi, dan pencocokan data.

Introduction to Business Process

Business process adalah serangkaian aktivitas yang dilakukan dalam rangka mencapai tujuan
bisnis. Bisnis proses melibatkan transformasi input menjadi output yang memberikan nilai
tambah bagi perusahaan. Pengelolaan bisnis proses yang efektif dapat membantu
meningkatkan efisiensi, kualitas, dan inovasi dalam operasi perusahaan.

Pentingnya Business Process setidaknya ada tiga, yaitu:

Efisiensi. Dengan mengidentifikasi dan mengelola proses bisnis dengan baik, perusahaan
dapat menghilangkan hambatan, mengoptimalkan sumber daya, dan meningkatkan
produktivitas.
Kualitas. Proses bisnis yang terstruktur dan terkontrol dapat mengurangi cacat, meningkatkan
kualitas produk atau layanan, dan memberikan kepuasan pelanggan yang lebih tinggi.
Inovasi. Dengan memahami proses bisnis secara mendalam, perusahaan dapat
mengidentifikasi peluang inovasi, mengadopsi teknologi baru, dan beradaptasi dengan
perubahan pasar.
Tipe-tipe Business Process

Sumber gambar: [Link]

Terdapat 3 tipe dasar proses bisnis, yaitu operational process, supporting process, dan
management process.
Business Process: Operational

Proses operasional mencakup aktivitas sehari-hari yang terkait dengan penghasilan produk
atau layanan perusahaan. Siklus operasi perusahaan adalah aspek terpenting dari alur
kerjanya. Ini mendefinisikan apa yang sebenarnya mereka lakukan dalam operasi sehari-hari.
Ini melibatkan proses produksi, pemasaran, penjualan, dan menghasilkan pendapatan. Contoh
proses operasional untuk pemasaran:

Proses operasional pemasaran

Business Process: Management
Proses manajemen melibatkan pengawasan dan pengendalian operasi perusahaan termasuk
perencanaan, pengorganisasian, dan pengendalian. Hal-hal yang termasuk ke dalam proses
manajemen diantaranya, yaitu kepegawaian, alokasi sumber daya, manajemen tim, dan
lainnya.

Contoh proses bisnis dari tim HR:

Proses bisnis tim HR
Business Process: Supporting

Proses pendukung menyediakan dukungan dan layanan yang mendukung proses operasional
dan manajemen. Contohnya seperti keuangan, sumber daya manusia, dan teknologi
informasi. Proses pendukung tidak terkait langsung dengan fungsi inti dan tidak memberikan
nilai langsung apa pun. Biasanya bertanggung jawab membantu proses operasional dari awal
hingga akhir.

Contoh proses bisnis Customer Support:

Proses bisnis Customer Support
Contoh Perusahaan dan Proses Bisnis yang Digunakan
Press enter or click to view image in full size

Perusahaan Amazon:

Proses operasional: pengelolaan persediaan, pemrosesan pesanan, pengiriman produk.

Proses manajemen: perencanaan strategis, pengendalian persediaan, manajemen rantai pasok.
Proses pendukung: keuangan, pemasaran, layanan pelanggan.

Perusahaan Toyota:

Proses operasional: produksi mobil, kontrol kualitas, manajemen inventaris.

Proses manajemen: perencanaan produksi, manajemen kualitas, pengendalian produksi.
Proses pendukung: pengadaan suku cadang, pengembangan produk, pengelolaan keuangan.
Process Mapping and Modelling
Mapping Process dalam Business Process
Proses mapping adalah teknik yang digunakan untuk menggambarkan urutan langkah-
langkah atau aktivitas dalam suatu proses. Tujuannya untuk memvisualisasikan alur kerja,
memahami interaksi antara stakeholder, dan mengidentifikasi potensi perbaikan atau
efisiensi.

Beberapa teknik proses mapping yang umum digunakan meliputi flowcharts, swimlane
diagrams, dan BPMN (Business Process Model and Notation).
Flowcharts
Kita sudah tidak asing lagi dengan yang namanya flowchart. Flowchart merupakan salah satu
teknik yang digunakan untuk menggambarkan urutan langkah-langkah dalam suatu proses.

Flowchart memiliki beberapa simbol yang memiliki nama dan fungsi. Adapun simbol-simbol
dalam flowchart, yaitu:
Swimlane Diagrams
Swimlane diagrams juga dikenal sebagai cross-functional flowcharts. Swimlane diagram
membagi alur kerja menjadi beberapa jalur atau “swimlane” yang mewakili stakeholder atau
departemen yang terlibat.

BPMN (Business Process Model and Notation)

BPMN adalah standar notasi yang digunakan untuk pemodelan dan dokumentasi proses
bisnis. BPMN menyediakan kumpulan simbol yang lebih beragam dan kompleks untuk
menggambarkan langkah-langkah, keputusan, perulangan, dan hubungan antar proses.
Process Modelling Tools and Software
Terdapat berbagai alat dan perangkat lunak yang tersedia untuk membantu dalam pemodelan
proses bisnis. Beberapa alat yang umum digunakan antara lain:

1. Microsoft Visio
2. Lucidchart
3. Bizagi
4. ARIS
Process Analysis and Improvement
Identifying Process Inefficiencies and Bottleneck
Identifikasi ketidakefisienan dan hambatan dalam proses adalah langkah pertama dalam
melakukan perbaikan proses. Beberapa metode dan teknik yang dapat digunakan antara lain:

Process Flow Analysis: menggambarkan alur kerja secara visual untuk mengidentifikasi
bottleneck atau langkah-langkah yang menyebabkan keterlambatan.
Direct Observation: mengamati proses secara langsung untuk mengidentifikasi masalah atau
kegiatan yang tidak perlu.
Historical Data Analysis: menganalisis data historis untuk mengidentifikasi tren, variabilitas,
atau kejadian yang menyebabkan ketidakefisienan.
Case Study 1: Proses Penerimaan Pesanan Online di Perusahaan Mentari

Melalui process flow analysis atau analisis aliran proses, kami menemukan bahwa langkah
verifikasi pembayaran menjadi bottleneck karena melibatkan banyak langkah manual yang
membutuhkan waktu.
Dengan direct observation atau mengamati secara langsung, kami menemukan bahwa tim
penjualan sering kesulitan dalam mengakses informasi produk yang tepat. Sehingga
menyebabkan penundaan dalam memberikan informasi kepada pelanggan.
Melalui historical data analysis atau analisis data historis, kami melihat bahwa ada tren
peningkatan jumlah pesanan yang tidak valid, yang mempengaruhi kecepatan pemrosesan
keseluruhan.
Root Cause Analysis Techniques
Root cause analysis atau bisa juga disebut dengan analisis penyebab akar digunakan untuk
mengidentifikasi akar permasalah yang menyebabkan ketidakefisienan atau masalah dalam
proses. Beberapa teknik yang dapat digunakan antara lain:

 Fishbone Diagram: mengidentifikasi berbagai faktor yang berkontribusi terhadap

masalah dengan mempertimbangkan aspek manusia, mesin, metode, material,
lingkungan, dan pengukuran.
 5 Whys: melakukan serangkaian pertanyaan “mengapa” untuk menggali lebih dalam
dan mencari akar permasalahan.
 Pareto Analysis: menganalisis data untuk mengidentifikasi permasalahan yang paling
signifikan berdasarkan prinsip 80/20
Case Study 2: Penundaan Pengiriman Produk di Perusahaan Kopi Kita

 Dengan menggunakan fishbone diagram, kami menemukan bahwa faktor-faktor

seperti kurangnya pengawasan kualitas, keterbatasan stok, dan ketidakjelasan
instruksi pengiriman berkontribusi terhadap penundaan pengiriman.
 Dengan menggunakan 5 whys, kami menemukan bahwa penundaan terjadi karena
kurangnya komunikasi antara tim produksi dan tim logistik.
 Melalui analisis pareto, kami menemukan bahwa 80% dari penundaan dikarenakan
oleh masalah ketersediaan stok dan kurangnya koordinasi antara departemen yang
terlibat.
Lean Principles and Process Optimization
Prinsip Lean adalah pendekatan yang bertujuan untuk menghilangkan pemborosan (waste)
dalam proses dan meningkatkan efisiensi. Beberapa prinsip lean yang penting antara lain:

o Just in Time (JIT): memastikan material dan informasi tersedia tepat waktu tanpa
penumpukan atau kelebihan.
o Value Stream Mapping: mengidentifikasi alur nilai (value stream) dalam proses dan
menghilangkan aktivitas yang tidak memberikan nilai tambah.
o 5S: Mengatur tempat kerja agar bersih, teratur, dan efisien.

Case Study 3: Proses Produksi di Pabrik Sepatu Bagus

 Dengan menggunakan prinsip JIT, kami mengurangi jumlah stok bahan baku yang
disimpan, mengurangi pemborosan, dan meningkatkan aliran proses.
 Dengan menggunakan value stream mapping, kami mengidentifikasi langkah-langkah
yang tidak memberikan nilai tambah dan menghapusnya dari proses.
 Dengan menerapkan prinsip 5S, kami mengorganisir dan membersihkan tempat kerja,
meningkatkan efisiensi dan produktivitas.
 Six Sigma Methodology and Continuous Improvement
 Metodologi Six Sigma adalah pendekatan yang menggunakan analisis data dan
metode statistik untuk mengurangi variabilitas dan meningkatkan kualitas proses.

Dalam Six Sigma terdapat siklus DMAIC (Define, Measure, Analyze, Improve, Control)
yang digunakan untuk mengelola perbaikan berkelanjutan.

Prinsip kontinu perbaikan (continuous improvement) adalah pendekatan yang mendorong

untuk terus menerus mencari dan menerapkan perbaikan kecil dalam proses.

Study Case 4: Pengurangan Cacat Produksi di Pabrik Baju

 Dengan menggunakan siklus DMAIC, kami mengidentifikasi variabilitas proses yang

menyebabkan cacat dan mengembangkan tindakan perbaikan.
 Dengan menggunakan analisis statistik, kami menemukan hubungan antara suhu
proses dan tingkat cacat, dan mengoptimalkan suhu untuk mengurangi cacat.
 Dengan menerapkan prinsip kontinu perbaikan, kami memantau dan memperbaiki
proses untuk mengurangi cacar secara berkelanjutan
Introduction to Data Storytelling

Pentingnya Data Storytelling dalam Pengambilan Keputusan

Data sangatlah complicated. Karena data tidak dapat berbicara sendiri. Data akan tersedia

dalam bentuk tabel, gambar, video, dan teks. Sehingga data storytelling memiliki

peran mengubah data yang sangat kompleks menjadi sebuah cerita yang dapat

dimengerti dan berdampak.

Mengapa sebuah data harus dapat dimengerti? Karena pada akhirnya seorang data analyst atau

data scientist harus membantu tim bisnis. Sehingga kita harus dapat membuat tim bisnis

mengerti bahwa ada fenomena yang sedang terjadi. Supaya tim bisnis dapat mengambil

keputusan dan menghasilkan dampak.

Dalam data storytelling, terdapat beberapa elemen yang terlibat, yaitu:

  Data

 Effect Visual

 Narrative

Manfaat Data Storytelling

 Membantu memahami konteks dan signifikansi data.

 Membuat data lebih relevan.

 Mengungkapkan pola, tren, dan wawasan dari data yang rumit.

 Dapat digunakan untuk mendukung pengambilan keputusan yang lebih baik.

Elemen Penting dalam Data Storytelling

a) Who: identifikasi pihak-pihak yang terkait dalam cerita data

b) What: jelaskan topik atau isu utama yang ingin disampaikan

c) Where: tentukan lokasi atau konteks geografis cerita data

d) When: tinjau waktu atau periode relevan dalam cerita data

e) Why: jelaskan alasan atau tujuan dibalik cerita data

f) How: gambarkan proses, metode, atau langkah-langkah yang digunakan dalam analisis

data

Peran Storytelling dalam Komunikasi Data

 Memudahkan pemahaman: cerita memungkinkan pengguna non-teknis memahami

dan menginterpretasikan data dengan lebih baik.

 Menginspirasi tindakan: dengan menggabungkan data dengan cerita yang

memotivasi, storytelling dapat mendorong tindakan a=dan perubahan yang diperlukan

  Meningkatkan keterlibatan: cerita yang menarik dan berarti meningkatkan

keterlibatan audiens dan memastikan pesan data tersampaikan dengan efektif.

Principles of Visual Communication

Persepsi Visual dan Kognisi

Beberapa diantara kita pasti lebih mudah memahami data dalam bentuk visual seperti gambar

yang di sebelah kanan. Hal tersebut dikarenakan beberapa hal, yaitu:

 Pengenalan pola: manusia cenderung mengenali pola visual secara alami, seperti

garis, warna, dan bentuk.

 Hafalan visual: daya ingat manusia terhadap informasi visual lebih baik daripada

informasi teks.

 Pengelompokan: manusia cenderung mengelompokkan objek-objek yang serupa

berdasarkan kesamaan visualnya.

 Hirarki: manusia mampu memahami hirarki visual dalam data, seperti bagian-

bagian yang terkait dan subkelompok data.

Prinsip Desain untuk Visualisasi Data yang Efektif

 Kesederhanaan: gunakan elemen visual yang sederhana dan jelas agar pesan

dapat tersampaikan dengan mudah.

  Kesesuaian: pilih elemen visual yang sesuai dengan data yang ingin disampaikan,

seperti pilihan warna dan ukuran yang relevan.

 Penekanan: gunakan penekanan visual untuk menyoroti informasi penting dan

memandu perhatian pengguna.

 Konsistensi: gunakan konvensi visual yang konsisten dalam seluruh visualisasi

untuk memudahkan pemahaman dan perbandingan data.

 Pembacaan Berurutan: susun elemen visual secara berurutan untuk

mengarahkan pembacaan data dengan alur yang jelas.

Pemilihan Jenis Grafik dan Representasi Visual yang Tepat

 Jenis data

Apakah data kita bersifat numerik, kategorikal, atau kontinyu? Jenis data akan membantu kita

memilih grafik yang sesuai, seperti diagram batang, diagram, lingkaran, diagram garis, dan

lain-lain.

 Kompleksitas data

Apabila data kita kompleks, mungkin kita perlu menggunakan representasi visual yang lebih

canggih, contohnya grafik jaringan atau heat map.

 Tujuan komunikasi

Pertimbangkan tujuan kita dalam menyampaikan informasi. Apakah kita ingin

membandingkan data, menyoroti tren, atau menjelaskan hubungan antar variabel?

 Kemudahan interpretasi
Pilih jenis grafik yang memudahkan pembacaan dan interpretasi data. Hindari grafik yang

membingungkan atau memperumit pesan yang ingin disampaikan.

Crafting a Data Story

Identifikasi Audiens dan Tujuan Data Story

1. Dalam crafting data story, langkah pertama yang harus kita lakukan

adalah mengidentifikasi audiens yang akan menerima cerita kita.

2. Kemudian definisikan tujuan cerita data, apakah untuk menginformasikan,

menginspirasi, atau mempengaruhi pengambilan keputusan.

3. Selanjutnya pertimbangkan karakteristik audiens dan tingkat

pengetahuan mereka tentang subjek dan kebutuhan atau masalah yang ingin kita

sampaikan.

Struktur Data Story

 Awal: kita dapat memulai dengan memperkenalkan konteks dan menarik

perhatian audiens dengan pertanyaan, fakta menarik, atau tantangan yang relevan.

 Tengah: kita kembangkan cerita dengan menyajikan data, wawasan, dan analisis
yang mendukung pesan utama.

 Akhir: kita sampaikan kesimpulan yang kuat, tindakan yang direkomendasikan,

atau pertanyaan terbuka yang mendorong refleksi atau diskusi lebih lanjut.

Definisi Narasi dan Pesan yang Jelas

Dalam menyampaikan data story, kita perlu mengikut beberapa petunjuk, yaitu:

1. Setiap data story harus memiliki narasi yang jelas dan pesan yang dapat

dipahami dengan mudah oleh audiens.

 2. Menentukan alur cerita yang logis dan konsisten. Dapat dimulai dari masalah

atau tantangan hingga solusi atau temuan.

3. Menetapkan pesan inti yang ingin kita sampaikan dan pastikan data story

mendukungnya secara konsisten.

Storytelling with Data

Salah satu kunci dalam storytelling with data adalah menggabungkan teknik storytelling

yang kuat. Kita dapat menggunakan elemen-elemen seperti konflik, karakter, dan

resolusi untuk membangun cerita yang menarik dan memikat audiens.

Menggunakan Framework Cerita

Untuk membantu proses storytelling data, kita dapat menggunakan framework cerita.

Framework cerita adalah kerangkan kerja yang membantu menyusun cerita dengan struktur

yang jelas dan menarik. Contoh framework yang dapat digunakan adalah Hero’s

Journey dan Three-Act Structure. Dengan menggunakan framework, kita dapat membangun

cerita data yang memiliki awal yang kuat, perkembangan yang menarik, dan akhir yang

memuaskan.

Studi kasus Hero’s Journey

  Langkah pertama: berikan gambaran jelas tentang client dan masalah yang

dihadapi

 Langkah kedua: perkenalkan guide (analis) dan rencana seorang analis untuk

menghadapi masalah.

 Langkah ketiga: elaborasi rencana yang telah dibangun disertai dengan hasil-

hasil analisis yang sudah dilakukan dan yakinkan Hero bahwa rencana ini adalah

rencana yang baik (dalam data analisis dapat menggunakan confidence level,

untuk model dapat menggunakan performance metrics).

 Langkah keempat: menyampaikan rekomendasi kepada Hero

Emosi dan Persuasi dalam Storytelling dengan Data

Dalam storytelling kita perlu melibatkan emosi dan persuasi. Karena pada penerapannya

tujuan kita sebagai data analyst atau scientist adalah ‘membujuk’ tim bisnis untuk ikut dalam

ide kita. Emosi dalam konteks ini adalah kedekatan pembicara dengan audiens. Oleh karena

itu kita perlu menggunakan visualisasi yang kuat, seperti grafik atau infografis untuk

membangkitkan emosi dan membuat data lebih mudah dipahami.

Kita dapat menyampaikan argumen yang meyakinkan dan fakta yang relevan untuk

membantu audiens mengambil tindakan atau membuat keputusan berdasarkan data yang

disampaikan.

Studi kasus 1 visualisasi yang kuat

Bar chart pada sebelah kiri angka tidak dimulai dari nol. Selain itu warnanya terlihat kurang
menarik dan terdapa bayangan yang mengganggu. Sementara, pada bar chart sebelah kiri,

warna lebih sederhana, ukuran lebih proporsional, angka terlihat jelas.

Oleh karena itu, kita perlu memperhatikan:

1. Usahakan untuk menggunakan satu warna tema

2. Jangan memberikan elemen yang tidak perlu (keep it simple)

3. Selalu urutkan data sebelum divisualisasikan

Studi kasus 2 visualisasi yang kuat

 1. Gunakan warna yang berbeda untuk kategori yang berbeda

2. Jangan memberikan elemen yang tidak perlu

3. Selalu urutkan data sebelum divisualisasikan

Studi kasus 3 visualisasi yang kuat

1. Jangan gunakan pie chart untuk data yang memiliki lebih dari 5 kategori

2. Selalu urutkan data sebelum divisualisasikan

Introduction to Data to Insight

Pendekatan CRISP-DM (Cross Industry Standard Process for Data Mining)

Diatas adalah sebuah grafik yang menjelaskan sebuah framework bagaimana proses

data hingga menjadi sebuah insight.

a) Business Understanding: menetapkan tujuan, kriteria sukses, dan sumber-sumber yang

diperlukan.

b) Data Understanding: mengumpulkan, eksplorasi, menjabarkan, dan memvalidasi

kualitas data.

c) Data Preparation: melakukan transformasi data dan data cleaning.

d) Modeling: melakukan pemilihan model serta pengujian pada model.

e) Evaluation: melakukan evaluasi terhadap tujuan.

f) Deployment: melakukan deployment dari model ke tahap produksi termasuk user

guidance, integrasi ke dalam existing sistem, serta perencanaan untuk monitoring dan

pemeliharaan.
Pentingnya Pengambilan Keputusan Berbasis Data

Sebelumnya, sudah dijelaskan mengenai framework yang lumayan rumit. Kemudian apa yang

menjadikan sebuah proses pengambilan keputusan berbasis data itu penting?

 Menghasilkan keputusan yang lebih baik. Misalnya ketika keputusan ekspansi

bisnis dilakukan berbasis data, maka hasilnya akan terukur seperti risiko,

keuntungan, kerugian, dan biaya.

 Memperkecil risiko bisnis. Ketika kita melakukan ekspansi yang

mempertimbangkan data, maka kita akan mengetahui risikonya. Sehingga kita

dapat meminimalisir risiko yang akan terjadi.

 Mengurangi biaya. Tentu saja apabila kita mengambil keputusan menggunakan

data, kita akan memperkecil kesalahan yang berarti juga mengurangi biaya.

 Transparan dan objektif.

 Memberikan kendali yang lebih luas. Ketika kita memiliki data maka sekurang-

kurangnya kita dapat mengetahui fenomena yang sedang terjadi. Oleh sebab itu

kita juga memiliki kendali yang lebih luas.

Ethical and Legal Considerations in Data Analysis

Dikarenakan data analytics memiliki kendali yang luar biasa, maka dibuatlah kode etik dan

pertimbangan hukum dari proses data analisis.

Kode Etik dalam Penggunaan Data

Data Ethics mencakup kewajiban moral dalam mengumpulkan,

melindungi, dan menggunakan informasi identitas pribadi serta pengaruhnya terhadap

individu.

Prinsip Etik dalam Penggunaan Data

Terdapat lima prinsip etik dalam penggunaan data, yaitu:

 1. Ownership. Sebuah organisasi atau seorang data analyst tidak boleh mengakses,

mengambil, mengumpulkan data tanpa izin dari pemilik data.

2. Transparency. Kita harus transparan dalam mengelola, mengumpulkan, dan

menyimpan datanya.

3. Privacy. Kita harus memastikan data yang sudah dikumpulkan dapat dijaga

dengan aman.

4. Intention. Sebagai seorang data analyst, kita harus mengerti niat atau tujuan baik

dalam menggunakan data.

5. Outcomes. Kita tidak boleh bias atau berat sebelah dalam penggunaan data.

Privasi dan Perlindungan Data

Lebih dalam lagi mengenai privasi dan perlindungan data, terdapat istilah PII (personally

identifiable information). PII adalah informasi yang terhubung pada identitas individual.

Contoh-contoh PII adalah:

 Nama lengkap

 Tanggal lahir

 Alamat

 Nomor telepon

 Bank information

 Passport number

Cara menangani individual privacy adalah dengan selalu mengidentifikasi ulang dataset yang

digunakan dan melakukan hash atau penghilangan PII.

Sebagai seorang data analyst, cara kita menghandle PII adalah kita harus memastikan apakah

ada PII dalam data yang kita punya. Apabila terdapat PII, kita perlu memastikan apakah kita

butuh informasi/ data tersebut.

Mengapa Etik dalam Data dan Analisis Sangat Penting?

Karena analisis data berdampak pada kehidupan. Misalnya, data dan analytics, dalam hal ini

machine learning dapat mempercepat proses approval pengajuan pinjaman ke fasilitas

perbankan.

Namun di sisi lain, model yang dibangun juga dapat mengandung bias dan unfairness. Hal ini

berdampak pada lebih mudahnya atau lebih sulitnya suatu kelompok mendapat approval

pinjaman pada fasilitas perbankan.

Bias dan Fairness dalam Data Analysis

Bias dalam data analisis adalah semua jenis kesalahan sistematis yang terjadi pada proses data

analisis. Bias dapat terjadi pada pengumpulan data, modelling, dan analisis. Bahkan ketika

proses interpretasi dan komunikasi.

Penyebab terjadinya bias dan unfairness adalah kualitas, ketersediaan, dan seberapa

representatif data yang digunakan dalam proses analisis.

Studi Kasus

Kasus pada salah satu E-Commerce yang membuat algoritma ML yang mengalami selection

bias.

Model algoritma yang dihasilkan ternyata lebih memilih kandidat pria dan cenderung menolak

resume yang mengandung kata “wanita”. Hal ini ternyata disebabkan oleh data yang

digunakan ketika training mayoritas populasinya adalah pria.

Penggunaan Data dan Pengambilan Keputusan

Kita sebagai seorang data analyst atau data scientist harus bertanggung jawab dalam

penggunaan data dan pengambilan keputusan. Ada beberapa hal yang dapat kita lakukan

sebagai bentuk pertanggung jawaban, yaitu:

1. Memastikan PII data sudah dihilangkan atau sudah dilakukan masking/ hashing.

2. Tidak menyebarkan data rahasia ke publik atau perusahaan lain.

3. Memastikan data yang dikumpulkan berasal dari orang-orang yang telah

menyetujui bahwa datanya boleh dikumpulkan dan dikelola oleh perusahaan atau

organisasi.

4. Memastikan data yang digunakan merepresentasikan populasi pada dunia nyata.

5. Memastikan fairness dalam dataset yang digunakan.

6. Memastikan tidak ada data-data yang berkaitan dengan SARA dalam dataset.

7. Memastikan model atau analisis yang dilakukan dapat dijelaskan

kepada stakeholder.

8. Memastikan hasil analisis tidak melanggar hukum atau merugikan suatu individu

atau kelompok.

What is Dashboard

Definisi dan Tujuan dari Dashboard

Dashboard adalah alat visualisasi yang menyajikan informasi secara ringkas dan terstruktur.

Tujuannya untuk memberikan pandangan yang cepat dan mudah dimengerti tentang kinerja

bisnis, metrik kunci, dan indikator penting.

Fungsi dashboard adalah untuk membantu pengguna dalam memantau kinerja, mendeteksi

masalah, dan mengambil keputusan berdasarkan data.

Tipe-tipe Dashboard dan Peruntukannya

Terdapat beberapa tipe dashboard yang perlu kita pahami, yaitu:

 Operational dashboard: berfokus memantau operasional harian dan aktivitas bisnis

secara realtime.

 Analytical dashboard: berfokus untuk menyediakan informasi yang mendalam dan

interaktif untuk analisis dan pemahaman lebih dalam

 Strategic dashboard: berfokus menampilkan informasi yang lebih holistik untuk tujuan

jangka panjang dan pencapaian strategis.

Komponen dan Struktur Dashboard yang efektif

  Grafik dan Visualisasi

 Metrik Kunci

 Filter dan Interaktivitas

 Struktur yang Efektif

Pros and Cons of Data Dashboard

Kelebihan (Pro)

Kelebihan dari adanya dashboard sangat banyak, antara lain:

 Visualisasi yang Jelas

 Dashboard memberikan visualisasi yang mudah dipahami tentang kinerja bisnis dan

metrik kunci.

 Monitoring Real-time

Dashboard memungkinkan pemantauan data secara real-time, membantu dalam

pengambilan keputusan yang cepat.

 Informasi yang Ringkas

Dashboard memberikan ringkasan informasi penting secara dan terstruktur.

 Pemantauan Kinerja

Dashboard membantu dalam memantau kinerja bisnis dan mengidentifikasi trend atau

pola yang relevan.

Kekurangan (Cons)

Disamping banyaknya kelebihan dari adanya dashboard, tentu mustahil apabila tidak memiliki

kekurangan. Adapun kekurangan dari dashboard, yaitu:

 Terlalu Banyak Informasi

Jika tidak dirancang dengan baik, dashboard dapat memberikan terlalu banyak

informasi dan membingungkan pengguna. Oleh karena itu sebaiknya kita membuat

dashboard berdasarkan objektivitas yang diminta oleh tim bisnis.

  Kesulitan dalam Menyajikan Detail

Dashboard cenderung memberikan tampilan ringkas, sehingga tidak cocok untuk

analisis detail dan mendalam.

 Kesulitan Mengatasi Data Kompleks

Jika data yang digunakan sangat kompleks, dashboard mungkin tidak mampu

menyajikannya secara efektif.

 Keterbatasan dalam Interaktivitas

Beberapa jenis dashboard memiliki keterbatasan dalam hal interaktivitas dan

kemampuan pengguna untuk menyesuaikan tampilan.

What is a Data Stories

Data story adalan narasi yang menggunakan data untuk mengkomunikasikan informasi dan

menyampaikan pesan yang dapat dipahami dengan baik. Adapun terdapat beberapa

karakteristik data story:

 Mengandung data yang relevan dan bermakna

 Membangun konteks dan memahami audiens

 Memiliki alur narasi yang jelas dan koheren

 Menyampaikan inti pesan dengan impact

Elemen dari Data Storytelling yang Efektif

1. Pemilihan data yang relevan

2. Visualisasi yang menarik

3. Konteks dan Latar Belakang

4. Membangun Narasi

5. Penggunaan Teknik Story Telling

Narrative Structure
  Memerlukan lebih banyak waktu dan upaya untuk membuat data story yang

efektif

 Terkadang sulit untuk menyajikan data yang kompleks secara terperinci

Mengidentifikasi Keadaan yang Cocok untuk Data Stories vs Dashboard

Dashboard cocok untuk:

1. Memberikan pemantauan real-time

2. Menyajikan data secara visual dengan cepat

3. Memberikan akses langsung ke data terkini dan kemampuan interaktif

Data stories cocok untuk:

1. Menyampaikan temuan penting atau perubahan signifikan

2. Meningkatkan pemahaman dan komunikasi dengan stakeholder

3. Memotivasi tindakan atau pengambilan keputusan berdasarkan data

Studi Kasus dan Contoh

Penggunaan Data Story

 Studi kasus: Pengaruh kampanye pemasaran terhadap peningkatan penjualan.

 Data story: Menggambarkan perjalanan kampanye, hubungan antara upaya

pemasaran dengan peningkatan penjualan, dan implikasinya.

Penggunaan Dashboard

 Studi kasus: Pemantauan kinerja keuangan perusahaan.

 Data story: Menampilkan metrik keuangan utama seperti pendapatan, biaya, dan

laba bersih dalam format visual yang mudah dipahami dan diperbarui secara real-

time.

BUSINESS VALUE FROM DATA

The Right Data and The Right Stakeholder

Pentingnya Data yang Tepat

Data yang tepat berarti data yang relevan, berkualitas dan sesuai dengan kebutuhan analisis.

Data yang tepat biasanya membutuhkan proses yang cukup lama. Namun manfaatnya cukup

besar. Data yang tepat memiliki manfaat untuk:

 Memastikan hasil analisis yang akurat dan dapat diandalkan.

 Membantu pengambilan keputusan yang lebih baik dan informasi yang lebih bernilai.

Stakeholder yang Tepat

Stakeholder atau pemangku kepentingan adalah individu yang memiliki kepentingan atau

pengaruh dalam analisis data. Peran dari seorang stakeholder disini antara lain:

 Memastikan keberhasilan proyek analisis data.

 Menggabungkan perspektif yang beragam untuk pengambilan keputusan yang lebih

baik.

Melibatkan Pemangku Kepentingan yang Tepat

Untuk melibatkan pemangku kepentingan, terdapat langkah-langkah, yaitu:

 Identifikasi pemangku kepentingan yang relevan: identifikasi mereka yang

berkepentingan dan terpengaruh oleh analisis data.

 Identifikasi pemangku kepentingan yang relevan: mengomunikasikan tujuan

analisis, kebutuhan data, dan ekspektasi kepada pemangku kepentingan.

 Menggabungkan perspektif pemangku kepentingan: mengumpulkan masukan dari

pemangku kepentingan untuk memperkaya analisis dan pengambilan keputusan.

 Melibatkan pemangku kepentingan dalam interpretasi hasil: berbagi hasil analisis

dengan pemangku kepentingan dan memperoleh wawasan tambahan.

Dari penjelasan di atas, kita menjadi tahu bahwa pentingnya memahami data apa yang

diperlukan dan menetapkan siapa saja yang berkepentingan dalam menggunakan atau

mengambil keputusan berdasarkan data tersebut. Misalnya, dari penerapan konsep adalah

dengan meninjau uraian di bawah ini.

Misalnya kita akan melakukan analisis kinerja penjualan

Integrate and Benchmark Business Data

Integrasi Data Bisnis

Integrasi data bisnis adalah sebuah proses menggabungkan data dari berbagai sumber untuk

menciptakan satu sumber data yang konsisten dan terintegrasi. Proses ini juga akan membantu

untuk:

 Memastikan data yang konsisten dan akurat.

 Memungkinkan analisis yang lebih komprehensif dan lebih baik informasi yang

dihasilkan.

Pada sebuah perusahaan, integrasi data biasanya dilakukan oleh seorang data engineer.

Tugasnya mengintegrasikan data bisnis.

Manfaat Integrasi Data Bisnis

Integrasi data bisnis ini memiliki banyak sekali manfaat, diantaranya:

1. Meningkatkan efisiensi operasional

2. Peningkatan keputusan yang lebih baik

3. Keterpaduan pelaporan

4. Responsif terhadap perubahan

Langkah-langkah dalam Integrasi Data Bisnis

Setelah mempelajari mengenai pengertian dan manfaat dari integrasi data bisnis, kita akan

mempelajari bagaimana langkah-langkah dalam proses integrasi data bisnis.

1. Identifikasi sumber data: menentukan sumber data yang relevan dan diperlukan

untuk analisis

2. Pembersihan dan transformasi data: melakukan pembersihan data untuk

memastikan kualitas dan konsistensi.

3. Integrasi data: menggabungkan data dari berbagai sumber menjadi satu sumber

data terintegrasi.

4. Verifikasi dan validasi data: memeriksa kualitas dan keakuratan data

terintegrasi.

Studi Kasus Integrasi Data Bisnis

Terdapat perusahaan yang beroperasi di sektor manufaktur dan memiliki sejumlah divisi yang

terpisah. Setiap divisi memiliki sistem informasi dan basis data masing-masing. Kondisi ini

menyebabkan tantangan dalam mendapatkan visibilitas holistik atas operasi bisnis perusahaan.

Tujuan utama perusahaan adalah meningkatkan efisiensi operasional, pengambilan keputusan

yang lebih baik, dan merampingkan proses bisnis dengan melakukan integrasi data dari

seluruh divisi

Dari kasus di atas, kita dapat melakukan langkah-langkah sesuai dengan penjelasan

sebelumnya.

 Identifikasi sumber data

Tim proyek mengevaluasi semua sumber data yang ada di setiap divisi, termasuk format dan

struktur data. Sumber data melibatkan sistem ERP, database lokal, dan file excel.
  Pembersihan dan transformasi data

Tim IT bekerja membuat pemetaan data yang menghubungkan data dari berbagai sumber.

Mereka juga melakukan transformasi data untuk memastikan konsistensi dan keakuratan.

 Integrasi data

Middleware diimplementasikan untuk memungkinkan komunikasi dan pertukaran data antara

aplikasi dan sistem yang ada di seluruh divisi. Hal ini mencakup integrasi dengan sistem ERP,

CRM, dan sistem manufaktur.

 Verifikasi dan validasi data

Sebelum peluncuran penuh, tim IT melakukan serangkaian pengujian dan validasi untuk

memastikan bahwa data terintegrasi dengan benar dan memberikan hasil yang konsisten.

Benchmarking dalam Analisis Data Bisnis

Proses membandingkan kinerja bisnis dengan standar terbaik atau pesaing industri.

Proses benchmarking berfungsi sebagai:

 Memberikan pemahaman tentang posisi bisnis dalam industri.

 Mengidentifikasi peluang perbaikan dan area yang perlu diperhatikan.

Manfaat Benchmarking Data Bisnis

Benchmarking ini memiliki banyak sekali manfaat, diantaranya:

1. Meningkatkan waktu siklus pengembangan

2. Meningkatkan kepuasan pelanggan

 3. Efisiensi rantai pasok yang lebih tinggi

4. Meningkatkan retensi pelanggan

Langkah-langkah Benchmarking Data Bisnis

Langkah-langkah yang harus dilakukan dalam proses benchmarking, yaitu:

1. Identifikasi key performance indicator: menentukan indikator kinerja/ key

performance indicator yang relevan untuk bisnis.

2. Identifikasi peserta benchmarking: pilih pesaing industri atau organisasi dengan

kinerja terbaik sebagai titik acuan.

3. Pengumpulan data: kumpulkan daya yang diperlukan untuk membandingkan

kinerja bisnis kita dengan pesaing atau standar industri.

4. Analisis dan interpretasi data: analisis data untuk mengevaluasi performa bisnis

dan mengidentifikasi peluang perbaikan.

Studi Kasus Benchmarking

Terdapat perusahaan teknologi yang beroperasi di sektor e-commerce. Dalam upaya untuk

meningkatkan kinerja bisnisnya, perusahaan memutuskan untuk

melakukan benchmarking data bisnis untuk membandingkan kinerja dan praktik

operasionalnya dengan perusahaan sejenis terkemuka di industri. Tujuan utama perusahaan

adalah mengidentifikasi peluang perbaikan, mengukur kinerja relatifnya, dan mengadopsi

praktik terbaik industri untuk meningkatkan efisiensi dan daya saing.

Dari kasus di atas, kita dapat melakukan langkah-langkah sesuai dengan penjelasan

sebelumnya.

 Identifikasi key performance indicator

Perusahaan menentukan Key Performance Indicator (KPI) dan metrik yang krusial untuk

evaluasi kinerja. Hal ini termasuk waktu siklus pengembangan produk, kepuasan pelanggan,

retensi pelanggan, dan efisiensi rantai pasok.

 Identifikasi peserta benchmarking

Setelah menentukan KPI, perusahaan memilih beberapa pesaing utama di industri e-commerce

yang dikenal karena kinerja tinggi dan praktik terbaik.

 Pengumpulan data

Perusahaan mengumpulkan data internal terkait KPI yang telah ditetapkan dan melakukan

perbandingan dengan data yang dapat diakses dari perusahaan pembanding. Data mencakup

proses operasional, performa keuangan, dan pengalaman pelanggan.

 Analisis dan interpretasi data

Tim analisis data melakukan pembandingan antara data perusahaan ABC dan data perusahaan

pembanding. Mereka mengidentifikasi gap atau perbedaan signifikan dalam kinerja dan

praktik operasional.

Leverage Business Intelligence and Business Analytics

Business Intelligence

Business intelligence adalah proses mengumpulkan, menganalisis, dan menyajikan informasi

bisnis yang relevan untuk pengambilan keputusan. Manfaat dari business intelligence adalah

untuk membantu:
  Memberikan wawasan mendalam mengenai performa bisnis.

 Mendukung pengambilan keputusan yang lebih efektif dan strategis.

Biasanya business intelligence menyajikan hasil pekerjaan dalam bentuk dashboard.

Business Analytics

Penggunaan analisis statistik dan teknik prediktif untuk mendapatkan wawasan dan

memecahkan masalah bisnis. Manfaat dari adanya business analytics, yaitu:

 Mengidentifikasi tren, pola, dan peluang bisnis.

 Membantu merumuskan strategi bisnis yang berdasarkan data.

Perbedaan Business Intelligence dan Business Analytics

Business Intelligence:

 Menyajikan informasi dan laporan yang ringkas tentang performa dan operasional

bisnis

 Fokus pada pemahaman saat ini

 Seorang business intelligence memiliki tugas untuk memantau dan

mengumpulkan data yang ada

 Business intelligence membantu menjawab pertanyaan “di antara banyak metode

yang dipakai saat ini, mana yang paling efektif dan terbaik?”

Business Analytics:

 Menerapkan teknik analisis yang lebih canggih untuk memahami dan

memprediksi performa bisnis

 Fokus pada pemahaman masa depan dan pengambilan keputusan berbasis data
  Seorang business analytics memiliki tugas untuk melakukan analisis mendalam

untuk membuat ramalan bisnis

 Business analytics membantu menjawab pertanyaan “di masa depan, strategi apa

yang paling tepat?”

Perbedaan generate reports dari business intelligence dan business analytics adalah

bentuk report dari business intelligence berbentuk dashboard, sementara business

analytics berbentuk data storytelling.