Belajar Analisis Data - KKA

Bab 4 Analisis Data

Dimensi Profil Lulusan:

• Keimanan dan ketakwaan
• Bernalar kritis
• Kreatif
• Komunikasi

Tujuan Pembelajaran

Pada aspek kognitif, setelah mempelajari bab ini, peserta didik diharapkan mampu:

1. Menjelaskan konsep dasar analisis data dengan baik.
2. Menjelaskan perintah dasar query dengan baik.
3. Menjelaskan konsep create, read, update, dan delete dengan baik.
4. Menjelaskan proses pembuatan basis data menggunakan Python dengan baik.
5. Menjelaskan proses pengolahan basis data menggunakan beberapa modul pendukungnya.

Pada aspek interpersonal, setelah mempelajari bab ini, peserta didik diharapkan mampu:

1. Berpikir kritis, kreatif, dan inovatif melalui kegiatan menganalisis berbagai informasi untuk melakukan pendalaman materi analisis data.
2. Bernalar demokratis dalam menghargai perbedaan saat diskusi.
3. Bergotong royong saat menyelesaikan masalah nyata terkait dengan materi yang dipelajari.

Pada aspek keterampilan dalam teknologi informasi, kegiatan pembelajaran menggunakan aplikasi basis data yang dikoneksikan dengan Python untuk membuat aplikasi pengolahan basis data, seperti Excel, MySQL, dan Pandas.

Peta Konsep

Analisis Data meliputi konsep basis data, perintah SQL dasar, pengolahan data dengan CRUD, membuat aplikasi pengolahan basis data, spreadsheet, koneksi Excel, dan SQL.

Prolog

Perhatikan gambar berikut.

Kemampuan membaca dan menganalisis data merupakan keterampilan yang sangat penting saat ini. Dengan memahami data, Anda dapat mengidentifikasi masalah, merumuskan solusi yang tepat, dan membaca peluang dari berbagai situasi. Data dapat disajikan dalam berbagai format, seperti diagram garis, diagram batang, dan diagram lingkaran. Untuk memudahkan pengambilan keputusan dalam menyelesaikan masalah, diperlukan kemampuan membaca data dan menggunakannya dalam pengambilan keputusan.

A. Konsep Basis Data

Basis data atau biasa disebut database adalah sekumpulan data yang disimpan dalam format tertentu. Basis data biasanya disimpan dalam bentuk tabel relasional. Tabel berisi baris dan kolom yang saling terkait. Pada basis data, terdapat operasi-operasi yang dapat dilakukan. Operasi ini berguna dalam proses analisis data di sekitar kita.

Dalam penerapannya, basis data memungkinkan pengguna untuk menyimpan kembali data hasil analisis. Untuk mendalami pemahaman yang lebih mendalam mengenai basis data, perhatikan konsep kerja dari basis data berikut.

1. Memahami Konsep Basis Data

Basis data atau yang sering disebut database adalah sekumpulan data yang disimpan dalam format terstruktur dan terorganisasi dalam bentuk tabel untuk memudahkan pengelolaan data secara efektif. Basis data memiliki peran utama dalam menyimpan, mengambil, dan mengelola data secara efisien.

Model basis data terbagi menjadi dua kategori utama, yaitu relasional dan nonrelasional. Model relasional menyimpan data dalam tabel yang saling berhubungan, sedangkan model nonrelasional menyimpan data dalam format yang lebih fleksibel.

Langkah-Langkah Melakukan Analisis Data

Analisis data adalah proses sistematis untuk mengubah data mentah menjadi informasi yang bernilai. Dalam dunia industri, analisis data digunakan untuk pengambilan keputusan bisnis, evaluasi kinerja, prediksi tren, serta optimalisasi proses kerja berbasis data (data-driven decision).

a. Pengumpulan Data (Data Collection)

Pengumpulan data merupakan tahap awal dan paling krusial dalam analisis data. Kualitas hasil analisis sangat bergantung pada kualitas data yang dikumpulkan. Data dapat bersifat kuantitatif (angka) maupun kualitatif (teks, opini, deskripsi).

Sumber Pengumpulan Data di Industri:

• Survei online (Google Forms, Typeform)
• Database perusahaan (MySQL, PostgreSQL, MongoDB)
• API publik atau internal (REST API, GraphQL)
• Log sistem dan aplikasi
• Media sosial dan website (web scraping)

Tools yang Digunakan:

• Google Forms
• Postman (API Testing & Data Fetching)
• Python (requests, BeautifulSoup)
• SQL Query

Referensi Belajar:

• https://developers.google.com/forms
• https://learning.postman.com
• https://www.w3schools.com/sql

b. Pembersihan Data (Data Cleaning)

Pembersihan data adalah proses memperbaiki, menyaring, dan menstandarisasi data agar siap digunakan untuk analisis. Pada praktik industri, tahap ini dapat menghabiskan hingga 60–70% waktu kerja analis data.

Proses Pembersihan Data:

• Menghapus data duplikat
• Menangani data kosong (missing values)
• Memperbaiki kesalahan format (tanggal, angka, teks)
• Normalisasi dan standarisasi data

Tools yang Digunakan:

• Microsoft Excel / Google Sheets
• Python (Pandas, NumPy)
• SQL (WHERE, DISTINCT, NULL handling)

Referensi Belajar:

• https://pandas.pydata.org/docs
• https://www.kaggle.com/learn/data-cleaning

c. Eksplorasi Data (Exploratory Data Analysis / EDA)

Eksplorasi data bertujuan untuk memahami pola, tren, dan anomali pada data sebelum dilakukan analisis lanjutan. Tahap ini membantu analis menentukan pendekatan analisis yang paling tepat.

Aktivitas Eksplorasi Data:

• Statistik deskriptif (mean, median, modus)
• Analisis distribusi data
• Visualisasi grafik dan diagram
• Mencari korelasi antar variabel

Tools yang Digunakan:

• Python (Matplotlib, Seaborn)
• Tableau
• Power BI

Referensi Belajar:

• https://www.tableau.com/learn
• https://www.kaggle.com/learn/data-visualization

d. Analisis Data (Data Analysis)

Analisis data adalah tahap inti untuk menjawab permasalahan bisnis atau teknis menggunakan data. Pada tahap ini digunakan metode statistik, query data, hingga kecerdasan buatan.

Jenis Analisis yang Umum di Industri:

• Analisis deskriptif
• Analisis diagnostik
• Analisis prediktif
• Analisis preskriptif

Tools & Teknologi:

• Python (Pandas, Scikit-learn)
• SQL
• Machine Learning
• Artificial Intelligence (AI)

Referensi Belajar:

• https://scikit-learn.org/stable
• https://www.coursera.org/learn/data-analysis

e. Hasil dan Evaluasi (Result & Evaluation)

Tahap akhir adalah menyajikan hasil analisis dan melakukan evaluasi untuk memastikan kesimpulan yang diambil relevan, akurat, dan dapat digunakan sebagai dasar pengambilan keputusan.

Output yang Dihasilkan:

• Laporan analisis data
• Dashboard interaktif
• Rekomendasi bisnis atau teknis

Evaluasi yang Dilakukan:

• Validasi hasil analisis
• Perbandingan dengan data sebelumnya
• Feedback dari stakeholder

Tools Presentasi:

• PowerPoint
• Google Data Studio
• Power BI

Referensi Industri:

• https://powerbi.microsoft.com
• https://www.thinkwithgoogle.com

Jenis-Jenis Analisis Data

Dalam dunia industri, analisis data tidak hanya digunakan untuk melihat data, tetapi untuk memahami, memprediksi, dan menentukan tindakan strategis. Empat jenis analisis data berikut dikenal sebagai empat pilar analisis data yang umum diterapkan di perusahaan modern.

a. Analisis Deskriptif (Descriptive Analytics)

Analisis deskriptif bertujuan memberikan gambaran tentang apa yang telah terjadi berdasarkan data historis. Jenis analisis ini menjawab pertanyaan “Apa yang sedang atau sudah terjadi?”

Contoh Implementasi di Industri:

• Laporan penjualan bulanan
• Jumlah pengguna aktif aplikasi
• Rekap kehadiran karyawan
• Statistik nilai siswa atau performa kelas

Ciri-Ciri Analisis Deskriptif:

• Menggunakan data masa lalu
• Berfokus pada ringkasan data
• Tidak mencari sebab atau solusi

Tools yang Digunakan:

• Microsoft Excel / Google Sheets
• SQL (SELECT, COUNT, SUM, AVG)
• Power BI / Tableau

Referensi Industri:

• https://learn.microsoft.com/power-bi
• https://www.w3schools.com/sql

b. Analisis Diagnostik (Diagnostic Analytics)

Analisis diagnostik berfokus pada pemahaman sebab akibat dari suatu peristiwa. Jenis analisis ini menjawab pertanyaan “Mengapa hal tersebut bisa terjadi?”

Contoh Implementasi di Industri:

• Mencari penyebab penurunan penjualan
• Analisis alasan churn (pelanggan berhenti)
• Evaluasi penyebab kegagalan proyek
• Analisis absensi siswa yang menurun

Ciri-Ciri Analisis Diagnostik:

• Membandingkan data antar periode
• Menggunakan drill-down data
• Menganalisis hubungan antar variabel

Tools yang Digunakan:

• SQL JOIN & GROUP BY
• Python (Pandas)
• Dashboard interaktif

Referensi Industri:

• https://mode.com/sql-tutorial
• https://www.kaggle.com/learn/pandas

c. Analisis Prediktif (Predictive Analytics)

Analisis prediktif bertujuan memprediksi kejadian di masa depan berdasarkan pola data historis. Analisis ini menjawab pertanyaan “Apa yang kemungkinan akan terjadi?”

Contoh Implementasi di Industri:

• Prediksi penjualan bulan berikutnya
• Prediksi siswa berisiko tidak lulus
• Prediksi permintaan produk
• Deteksi potensi penipuan (fraud detection)

Ciri-Ciri Analisis Prediktif:

• Menggunakan data historis dalam jumlah besar
• Menggunakan model statistik atau machine learning
• Hasil berupa probabilitas atau prediksi

Tools & Teknologi:

• Python (Scikit-learn)
• Machine Learning
• Artificial Intelligence (AI)

Referensi Industri:

• https://scikit-learn.org/stable
• https://www.ibm.com/topics/predictive-analytics

d. Analisis Preskriptif (Prescriptive Analytics)

Analisis preskriptif memberikan rekomendasi tindakan terbaik berdasarkan hasil analisis data dan prediksi. Analisis ini menjawab pertanyaan “Apa yang sebaiknya dilakukan?”

Contoh Implementasi di Industri:

• Rekomendasi strategi pemasaran
• Sistem rekomendasi produk
• Optimasi jadwal produksi
• Rekomendasi intervensi siswa bermasalah

Ciri-Ciri Analisis Preskriptif:

• Menggabungkan data, prediksi, dan aturan bisnis
• Berorientasi pada tindakan
• Digunakan oleh manajemen dan pengambil keputusan

Tools & Teknologi:

• AI & Machine Learning
• Decision Support System (DSS)
• Python

Referensi Industri:

• https://www.sas.com/en_us/insights/analytics/prescriptive-analytics.html

Aktivitas 1

Menganalisis Data Ekstrakurikuler dengan Empat Pilar Analisis Data

Pada aktivitas ini, siswa diminta menerapkan keempat jenis analisis data menggunakan data ekstrakurikuler sekolah sebagai simulasi kasus industri.

Studi Kasus:

Sekolah memiliki data jumlah peserta ekstrakurikuler selama 3 tahun terakhir, kehadiran siswa, dan hasil prestasi lomba.

Tugas Siswa:

• Analisis Deskriptif: Menyajikan jumlah peserta tiap ekstrakurikuler
• Analisis Diagnostik: Menjelaskan alasan penurunan atau kenaikan minat
• Analisis Prediktif: Memprediksi ekstrakurikuler terfavorit tahun depan
• Analisis Preskriptif: Memberikan rekomendasi kebijakan sekolah

Output yang Diharapkan:

• Laporan analisis sederhana
• Grafik atau dashboard
• Presentasi hasil analisis

Tools yang Disarankan:

• Excel / Google Sheets
• PowerPoint
• Opsional: Python atau Power BI

Tujuan	Melatih peserta didik untuk memahami dan menerapkan empat pilar analisis data (deskriptif, diagnostik, prediktif, dan preskriptif) melalui studi kasus nyata di lingkungan sekolah.
Format	Kelompok
Alat dan Bahan	Buku atau situs web tentang empat pilar analisis data.
Peran Guru	Fasilitator
Waktu	45 menit
Penilaian	Lembar kerja hasil diskusi

Jumlah Peserta Didik

No	Jenis Ekstrakurikuler	Tahun 2022	Tahun 2023	Tahun 2024
1	Futsal	45	32	24
2	Pramuka	50	38	30
3	Desain Grafis	20	18	12
4	Paduan Suara	25	22	15

Sebelum Aktivitas

1. Pelajari terlebih dahulu materi tentang empat pilar analisis data.
2. Bentuk kelompok yang terdiri atas 3–4 peserta didik.

Saat Aktivitas

1. Amatilah dengan saksama data ekstrakurikuler dalam bentuk tabel yang disediakan.
2. Diskusikan pertanyaan-pertanyaan di bawah ini bersama anggota kelompok.
3. Jawablah pertanyaan-pertanyaan diskusi berikut.

Pertanyaan Diskusi

1. Apa yang dapat disimpulkan dari data jumlah peserta ekstrakurikuler selama tiga tahun terakhir?
2. Menurut Anda, apa saja faktor utama yang menyebabkan menurunnya minat peserta didik terhadap kegiatan ekstrakurikuler?
3. Jika tren ini terus berlanjut, bagaimana prediksi kondisi ekstrakurikuler pada tahun depan?
4. Apa saran atau solusi yang dapat dilakukan pihak sekolah agar peserta didik lebih tertarik mengikuti kegiatan ekstrakurikuler?
5. Apakah Anda sendiri aktif mengikuti kegiatan ekstrakurikuler? Mengapa ya atau tidak?

Tabel Hasil Diskusi Kelompok

No	Tipe Analisis Data	Pertanyaan	Hasil Diskusi
1	Deskriptif	Apa yang terjadi?
2	Diagnostik	Mengapa hal itu terjadi?
3	Prediktif	Apa yang mungkin terjadi selanjutnya?
4	Preskriptif	Apa yang sebaiknya dilakukan?

Setelah Aktivitas

1. Sajikan hasil kerja kelompok Anda dalam bentuk infografik, kemudian presentasikan di depan kelas.
2. Tiap kelompok memberikan komentar atau pertanyaan terhadap hasil presentasi kelompok lain. Catatlah tanggapan tersebut dan gunakan sebagai bahan untuk meningkatkan pemahaman dan menyempurnakan infografik jika diperlukan.