D a t a Analytics

Da t a

D a t a m e r u p a k a n suatu a n g ka , ka ra kt e r, g a m b a r, a t a u bentuk la inn ya y a n g d a p a t d i c a t a t

d a n diukur, y a n g d a p a t d i g u n a k a n untuk m e m b a n t u m e m b u a t suatu k e t e t a p a n d a n
p e n g a m b i l a n keputusan atas t in daka n tertentu. Suatu d a t a sendiri t id a k m e m iliki arti
a p a p u n , h i n g g a d a p a t diin te rp re ta sikan d e n g a n baik, d a n d a p a t m e n j a d i s eb uah informasi
y a n g b e rgu n a .
D a t a Analytics

D a t a analytics m e r u p a k a n ilm u d a l a m m en ge k s t ra k
trends, p a t t e rn s, d a n informasi y a n g r e l e v a n d a r i
suatu d a t a m e n t a h untuk m e n a rik suatu kesimpulan.

M e n g a p a d a t a analytics?

● Data analytics dapat membantu dalam

pengambilan keputusan d a n o p e ra s i bisnis
y a n g le b ih e f e kt if .
● D a t a analytics sudah b a n y a k d i g u n a k a n p a d a
berbagai bidang, seperti deteksi p e n ip u a n
p a d a sektor k e u a n g a n , d a n m e n y e d i a k a n
inf o rma si-inf o rma si yang p e n t in g mengenai
sektor kesehatan seperti d a t a C O V I D - 1 9 .
Tipe D a t a Analytics
Descriptive Analytics

Proses d a t a analytics untuk m e n d a p a t k a n gambaran umum dari data yang sudah

dikumpulkan. M o d e l ini y a n g a k a n m e m b a n t u untuk m e m a h a m i a p a y a n g t e r j a d i dan

mengapa.

Contoh d a ri descriptive analytics :

P a d a G o o g l e Analytics h a n ya b i s a m e l i h a t inf ormasi se d e rh ana seperti a d a b e r a p a ju m la h

visitor p e r satuan w a k t u , h a l a m a n m a n a sa ja y a n g p a l i n g se rin g dikunjungi. Analisis

deskriptif tidak m e n a m p i l k a n prediksi h a l a m a n a p a y a n g a ka n dikunjungi pen gun jun g

b e rik u t n ya a t a u k e n a p a se o ra n g pengunjung mengunjungi suatu h a l a m a n .

Diagnostic Analytics

Diagnostic analysis m e n c o b a m e n e m u k a n insight d a ri descriptive analysis, m e n g g a l i le b ih

dalam untuk menemukan penyebab dari apa yang terjadi. Dia gn o st ic analysis

m e n g h u b u n g k a n a n t a r a d a t a d e n g a n p o l a [Link] analysis b e r a n g k a t d a ri

aktivitas m e n d a p a t k a n inf ormasi y a n g le b ih d e t a il .

P e n e ra pan t a h a p ini d a l a m d u n ia bisnis a n t a r a lain:

• Analisa k e t e r l a m b a t a n p e n g i r i m a n b a r a n g
• Analisa m e n g a p a satu p ro d u k m e n g a l a m i penurunan p e n ju alan
Predictive Analytics

Proses d a t a analytics y a n g m e m b e r i k a n hasil prediksi t e n t a n g sesuatu y a n g a k an d a t a n g

d e n g a n p e n in g k a t a n d a y a komputasi d e n g a n k e m a m p u a n m e n j a la n k a n ratusan a t a u r i b u a n
m o d e l d e n g a n c e p a t d a n a do p si teknik p red ikt if seperti support v e c t o r machines, neural
n e t wo r ks d a n r a n d o m forests. M o d e l - m o d e l ini m e n g g u n a k a n d a t a m a s a l a l u d a n a l g o r i t m a
prediksi untuk m e m b a n t u d a l a m men en tu ka n p r o b a b i l i t a s d a ri a p a y a n g a k a n t e rja d i
b e rik u t n ya .

Contoh d a ri p re d ict ive analytics :

Sistem re ko mendas i y a n g d i p a k a i di situs e - c o m m e r c e d a ri d a t a p e n gu n ju n g d a n
p e m b e l i a n , m a k a bisa d ip e r ki ra ka n b a r a n g a p a sa ja y a n g p en gun jun g sekiranya t e r t a ri k
untuk m e m b e l i .
Presciptive Analytics
Proses analytics y a n g me n gha silkan j a w a b a n a t a s p e r t a n y a a n k e n a p a sesuatu a kan t e rja d i
serta m e m b e r i k a n s a ran t e r h a d a p kondisi y a n g ke m un gkinan a kan t e rja d i d i m a s a y a n g a k a n
d a t a n g . Kunci untuk prescript ive analytics a d a l a h m a m p u m e n g g u n a k a n d a t a besar, d a t a
kontekstual d a n b a n ya k d a y a komputasi untuk men gha silkan j a w a b a n s e c a ra re a l t i m e .
K a re n a k e m a m p u a n n ya inilah prescriptive analytics s a n ga t dipe rlu kan o le h t o p - l e v e l
m a n a j e m e n d a l a m m e n g a m b i l keputusan.

Contoh d a ri t a h a p a n prescriptive Analytics

• M e n g a n a l i s a d a t a h e a lt h ca re untuk m e n ge va lu a si kemungkinan p a s ie n m e n g a l a m i
serangan jantung l a g i .
• Pengaturan h a r g a tiket p e s a w a t secara o t o m a t is
K e g u n a a n D a t a Analytics

Mempermudah Mengefisienkan Menghasilkan

Perhitungan Statistik Wa k t u Penghitungan Penghitungan ya n g
Ak ur a t d a n Reliabel
Siklus D a t a Analytics
Discovery

● P a d a t a h a p ini, se o ra n g d a t a analyst a ka n m e m p e l a j a r i d a n menginvestigasi p e rm a s a la h a n

yang ada.
● M e m p e l a j a r i d o m a i n bisnis.
● M e m a s t i k a n t e rse d ia n ya su m b e r d a t a y a n g a ka n dibutuhkan p a d a p ro je c t analysis.
● Me ru m u s ka n hipotesis a w a l y a n g n a n t in ya a ka n diuji d e n g a n d a t a d a n m o d e l analisis y a n g a k a n
digunakan.
D a t a Preparation

● Ta h a p ini berfungsi untuk d a p a t m e m p e r s i a p k a n d a t a y a n g d i g u n a k a n a g a r d a p a t d i m o d e l k a n

d a n dianalisis d e n g a n le b ih b a ik l a g i .
● M e n g g u n a k a n konsep ELT (Extract, L o a d , d a n Transf orm).
● Ta h a p ini a k a n dilakukan se ca ra b e b e r a p a kali h i n g g a d a t a tersebut b e n a r - b e n a r siap untuk
dianalisis.
● S e t ia p proses p e rs i a p a n d a t a y a n g dilakukan t id a k pe rlu m e n giku t i urutan ( d a p a t b e r u p a ELT
(Extract, L o a d , Transform), ETL (Extract, Tran sf o rm , Load), a t a u ETLT (Extract Tra n sf o rm , Lo a d ,
Transform), menyesuaikan kondisi d a t a y a n g d im iliki.
M o d el Planning

● P a d a t a h a p ini, se o ra n g d a t a analyst a k a n me la ku kan eksplorasi p a d a d a t a untuk m e m p e l a j a r i

d a n mengidentif ikasi hubungan a t a u relasi a n t a r a se t ia p va r i a b e l y a n g a d a .
● Setelah m e la ku kan eksplorasi d a t a d a n menentukan tujuan analisis d a t a , m a k a d a t a ana lys t
d a p a t m e m i l i h v a r i a b e l - v a r i a b e l m a n a saja y a n g d i g u n a k a n untuk k e p e r lu a n analisis, serta
m o d e l a t a u teknik analisis d a t a y a n g p a l i n g sesuai untuk d it e ra p ka n .
● Te r d a p a t b e b e r a p a m o d e l y a n g cukup sering d i gu n a k a n seperti line a r regressions untuk
m e la k u k an prediksi, d a n logistic regressions untuk m e la ku kan klasifikasi, d a n l a i n - l a i n .
M o d el Building

● P a d a t a h a p ini, d a t a analyst a k a n m e n d e p l o y m o d e l y a n g se b e lu m n ya t e la h d i r e n c a n a k a n
k e d a l a m d a t a y a n g digunakan.
● Selain itu, analyst j u g a a ka n m e m b a g i d a t a k e d a l a m t i g a jenis sesuai tujuannya, ya it u training,
testing, d a n productions.
● T a h a p ini m e m u n gkin ka n analyst untuk m e m p e r k u a t proses p e n g a m b i l a n keputusan d e n g a n
m e n d a p a t k a n in f o rm a si analisis y a n g m e n d a l a m , setelah m e n ga p lika s ik a n m o d e l analisis y a n g
sesuai d e n g a n tujuan analisis d a t a y a n g t e la h ditentukan se b e lu mn ya .

● T a h a p ini j u g a a k a n dilakukan se ca ra b e ru la ng, h i n g g a m e n d a p a t k a n hasil analisis y a n g p a l i n g

m a k s im a l.
Communicate Results

● Setelah mengeksekusi m o d e l , analyst p e rlu m eliha t a p a k a h hasil p e m o d e l a n m e n y e d ia k a n

informasi y a n g dibutuhkan? J i ka tidak, m a k a p e rlu m ela ku kan proses-pro ses te rtentu untuk
m en ye le sa ika n mas a lah tersebut. Ana lyst harus m e m a st i k a n d a t a y a n g d igu n a k a n m en gh a silk an
informasi y a n g konsisten. H a l ini a k a n m e m b a n t u m e r e k a untuk m e m b a n g u n a r g u m e n y a n g
m e n ya k in kan.
● Me n e n t u k a n ke y findings, nilai bisnis, d a n m e n g e m b a n g k a n na ra si untuk m e n y a m p a i k a n hasil
analisis k e p a d a stakeholders.
● Me n e n t u k a n f o r m a t komunikasi y a n g p a l i n g sesuai d a l a m m e n y a m p a i k a n hasil analisis k e p a d a
stakeholders. Sepert i d a l a m bentuk visual d a n animasi, a t a u d a l a m bentuk l a p o r a n kertas saja,
b e r g a n t u n g k e p a d a sia p a stakeholders tersebut.
Operationalize

● P a d a t a h a p ini, analyst a ka n mengkomunikasikan hasil, kinerja, d a n k e n d a l a m o d e l d a l a m

lingkungan produksi d e n g a n ska la y a n g kecil, se b e lum m ela ku kan full d e p l o y m e n t . Disini s e o r a n g
d a t a analys t harus m e m a st ik a n b a h w a hasil da ri p r o je ct tersebut sesuai d e n g a n tu ju ann ya .
K e t ika hasil n ya sudah sesuai d e n g a n tujuan, m a k a d a p a t dilanjutkan d e n g a n m e m b u a t f ina l
report s d a n full d e p l o y m e n t . S e m e n t a r a ketika hasilnya b e l u m sesuai, m a k a d a t a analyst ters ebut
harus k e m b a l i ke siklus d a t a analytics se b e lu m n ya d a n m e la ku kan b e b e r a p a p e ru b a h a n .

● Final re p o rt s y a n g d i b u a t t e rd iri d a r i tujuan d ila ku kann ya analisis d a t a , resources y a n g

digunakan, va r i a b e l d a n m o d e l analisis y a n g digunakan, h in gga hasil d a ri analisis tersebut,
Proses D a t a Analytics

Business Get Exp lor e Pr ep a r e Ana lyze Present

Questions Da ta Data Data Data Find ing s
Business Questions

Business understanding adalah proses

p e r t a m a d a l a m me la ku kan analisis d a t a , d a n
berperan penting dalam hasil akhir yang
berhasil.

Proses ini t e rd iri dari d ef in in g problems,

understanding p r o j e c t object ives , d a n p r o vi d e
solutions f r o m business p e rsp e ct ive .

Berikut a d a l a h proses y a n g d ila ku kan d a l a m

business understandings.
 Get D a t a

D a t a Q u a nt i t a t i v e D a t a Q ua l i t a t ive

a. D a t a y a n g b e rben t u k klasifikasi ob je k a. D a t a d a p a t diukur d a n dihitung s e c a ra

yang didapatkan dari attributes dan numerik.
p ro p e rt ie s. b. M e m i l i k i sifat structured.
b. M e m i l i k i sifat unstructured. c. M e r u p a k a n d a t a statistical d a n d a p a t
c. Tidak dapat d iko mpu ta sika n karena dikomputasikan.
m e r u p a k a n d a t a non-statistical d. T e r b a g i k e d a l a m d u a jenis d a t a , ya it u
d. T e r b a g i k e d a l a m d u a jenis d a t a , ya it u discreate d a n continuous.
d a t a o rd in a l d a n n o m in a l. e. D a t a continuous t e r b a g i l a g i k e d a l a m
d u a jenis, ya it u r a t i o d a n in t e rva l.
 Explore D a t a

Ta h a p ini m e r u p a k a n t a h a p eksplorasi untuk

mendapatkan data seperti apa yang
dibutuhkan. Ta h a p ini t e rd iri d a ri :
- cleaning the d a t a ,
- r e m o v e duplicates d a t a ,
- f o r m a t t i n g d a t a f r o m m u lt ip le sources,
- transf orming d a t a into m o r e useful
va ria b le s .
 Prepare D a t a

P a d a t a h a p ini, analyst a ka n :
- Bekerja dengan data structured dan
unstructured.
- M e n g g u n a k a n teknik d a n tools y a n g
bervariasi untuk m e n g o la h dan
mentransf ormasikan d a t a .
- Me m a n ip u la si d a t a a g a r d a t a tersebut
siap untuk dianalisis.
- P e rf o rm d a t a m in in g process d e n g a n
ba ik a g a r d a p a t men gha s ilkan inpu t d a t a
y a n g b a ik. K a r e n a jika input d a t a buruk,
m a k a output analisis j u g a a ka n buruk.
 Analyze D a t a

Pada tahap ini, a na lyst akan m e la ku ka n

analisis t e r h a d a p d a t a d e n g a n m e n g g u n a k a n
metode analisis seperti e xp lo ra t o r y data
analysis. M e t o d e ini berfungsi untuk
menganalisis dan m e la kuka n visualisasi
te rha d a p re la si d a n p e r f o r m a d a ri s e t ia p
v a ria b e l p ad a data, sert a m e ne m uka n
karakteristik d a r i d a t a .

Sela in EDA , te rd a p a t b e b e ra p a c o nto h

m e to d e a n a lisis data se p e rti co rre la tio n
analysis d a n clustering analysis.
 Present Findings ( Data Visualization)

● Data visualization adalah representasi

d a ri d a t a d e n g a n m e n g g u n a k a n charts,
graphs, a t a u m a p s .

● Untuk m e n c a p a i keberhasilan d a l a m d a t a
visualization, terdapat beberapa poin
y a n g p e rlu d ip e rh at ikan :

- W h a t is the story yo u r d a t a is t ryin g t o t e ll?

- W h a t t y p e o f d a t a d o yo u w a n t t o e xp la in ?
- W h a t chart t yp e w i l l b e the most eff icient?
- W h o is y o u r audiences t h a t w i l l h e a r y o u r
story?
Basic Statistical Par am et er s
1. Measures of frequency
● Menunjukkan s e b e r a p a sering suatu nilai
muncul
● Count, Percent, Frequency

2. Measures of central tendency

● Digu n a ka n untuk menunjukkan r a t a - r a t a
a t a u nilai y a n g p a l i n g sering muncul.
● Mean, Median, Mode.
● M e n e m u k a n distribusi d a t a .

1. Measures of Dispersion
● Digunakan untuk menunjukkan s e b e r a p a
m e n y e b a r d a t a y a n g d im iliki.
● Range, st a n d a rd d e via t io n , va ria n ce , IQR
P e r b e d a a n D a t a Analytics d a n
D a t a Science
Hubungan K e d u a n ya
D a t a Analytics D a t a Science

1. D a t a analytics m e n g a c u p a d a proses d a n 1. D a t a science a d a l a h ilm u y a n g m e l i b a t k a n

p ra ktik d a la m m e ng a n a lisis d a t a untuk p e n g e m b a n g a n a l g o r i t m a , inferensi d a t a ,
m e nja w a b p e rta ny a a n, m e ng e kstra k dan pemodelan p re d ik t if untu k
w a w a s a n , d a n mengidentif ikasi t re n d . m e m e ca hka n m a sala h b isnis y a ng
2. Da ta A na ly tics a ka n m e nja w a b kompleks d a n f uture p ro b le m s .
p e r t a n y a a n untuk p e n g a m b i l a n keputusan 2 . Da t a scie nce le b ih b e rf o kus pa da
b isnis yang le b ih baik, d e ng a n m e ne m uka n pertanyaan baru seb a g a i
menggunakan data histo rica l a ta u jawaban yang d ip e rluka n untu k
inf ormasi y a n g t e la h a d a . mendorong a d a ny a inovasi d e ng a n
3. Data analytics melibatkan beberapa machine le a rn in g da n p re d ic t ive
c a b a n g ilm u statistik d a n analisis y a n g modelling.
le b ih spesifik untuk tujuan tertentu. 3 . Da t a scie nce m e m iliki ko nse ntra si y a ng
le b ih luas d a n kompleks d i b a n d i n g k a n d a t a
analytics.
D a t a Analytics D a t a Science

B e b e r a p a skills y a n g dibutuhkan untuk m e n j a d i B e b e r a p a skills y a n g dibutuhkan untuk m e n j a d i

se o ra n g d a t a analyst : se o ra n g d a t a scientist :
● Co nce p t : Sta tistics, lo g ica l th inkin g , ● Co nce p t : Busine ss u nd e rsta nd in g ,
m achine le a rning , d ata v isua liz a tio n, m achine le a rnin g , deep le a rnin g ,

databases a n d p r o b l e m solving. artif icial intelligence, statistics.

● P r o g r a m m i n g : SQL, Python, SAS ● P r o g r a m m i n g : Python, S p a r k
● Tools : Ta b l e a u , G o o g l e D a t a Stu d io , ● To o ls : A p a che Spa rk, g g p lo t , SA S,
a n d P o w e r BI, M a t l a b , etc. H a d o o p , SPSS, M a t l a b , etc.
Skill M e n j a d i D a t a Analyst

M a chine
Lea r ning V isu a liza tion
Key T a k e a w a ys

1. D a t a analytics m e r u p a k a n se b u ah proses untuk e xa m in in g d a n a n a l yz i n g d a t a s e t m e n t a h untuk

m e m p e r o l e h inf ormasi y a n g d a p a t b e r u p a t r e n d d a n p a t t e rn , s e r t a m e n in gk a t k a n ef ektivitas
bisnis.

2 . Te r d a p a t 6 steps d a l a m d a t a analytics lif e cycle, y a n g d im u la i d a ri d is c o ve ry business p ro b le m s ,

d a t a p r e p a r a t io n , m o d e l planning, m o d e l building, co m m u nic at e results, d a n o p e r a t io n a li z e .
3 . Te r d a p a t 4 t a h a p analisis d a l a m d a t a analytics, ya it u descriptive analysis d a n diagnostic
analysis untuk d a t a historical (past), serta p r e d i c t i ve analysis d a n prescriptive analysis untuk
m e la k u k an prediksi m a s a d e p a n (future).
4. D a t a Analytics memiliki kompleksitas y a n g le b ih s e d e r h a n a d i b a n d i n g k a n d a t a science, d i m a n a
d a t a analytics m e m iliki tujuan y a n g spesifik.
5 . G a r b a g e in g a r b a g e out
THANK YOU!