Resume BAB V "Cakap dan Etis Bermedia Digital"

 BAB II “ANALISIS DATA LANJUTAN”

Shafira 32 8D

Aplikasi Himpunan Data Terstruktur

Himpunan data terstruktur adalah kumpulan data yang tersusun rapi mengikuti format atau skema tertentu sehingga mudah dibaca, diolah, dan dianalisis oleh manusia maupun komputer. Contohnya: tabel dalam database, file CSV, dan spreadsheet.

1. Microsoft Excel

• Jenis: Spreadsheet desktop.

• Fungsi: Mengolah, menghitung, dan menganalisis data dalam bentuk tabel.

• Kelebihan: Fitur formula lengkap, grafik, pivot table, dukungan add-in.

• Kekurangan: Kurang efisien untuk data sangat besar.

2. Google Sheets

• Jenis: Spreadsheet berbasis cloud.

• Fungsi: Kolaborasi pengolahan data secara online.

• Kelebihan: Real-time collaboration, integrasi dengan Google Workspace.
  Kekurangan: Fitur lebih terbatas dibanding Excel untuk analisis kompleks.

3. Airtable

• Jenis: Hybrid spreadsheet + database online.
  Fungsi: Mengatur data seperti spreadsheet dengan kemampuan relasional database.
  Kelebihan: Tampilan visual menarik, mudah digunakan, cocok untuk manajemen proyek.

• Kekurangan: Kinerja menurun pada dataset besar.

4. MySQL

• Jenis: Relational Database Management System (RDBMS).

• Fungsi: Menyimpan dan mengelola data terstruktur berbasis tabel.

• Kelebihan: Open-source, performa tinggi, cocok untuk aplikasi web skala besar.

• Kekurangan: Perlu pengetahuan SQL untuk penggunaan optimal.

5. MongoDB

• Jenis: NoSQL Database (dokumen berbasis JSON).

• Fungsi: Menyimpan data semi-terstruktur dan tidak terstruktur.

• Kelebihan: Fleksibel, cocok untuk data yang formatnya bervariasi.

• Kekurangan: Tidak sekuat RDBMS untuk query relasi kompleks.

6. SQLite

• Jenis: Relational Database ringan.

• Fungsi: Database lokal yang disimpan dalam satu file.

• Kelebihan: Ringan, mudah diintegrasikan ke aplikasi kecil atau mobile.

• Kekurangan: Tidak ideal untuk aplikasi dengan traffic sangat tinggi.

7. PostgreSQL

• Jenis: Relational Database Management System (RDBMS) open-source tingkat lanjut.

• Fungsi: Menyimpan dan mengelola data terstruktur dengan dukungan fitur kompleks.

• Kelebihan: Mendukung query kompleks, integritas data tinggi, extensible.

• Kekurangan: Sedikit lebih kompleks dalam konfigurasi dibanding MySQL.

1. Pengolahan Data Awal

Pengolahan data awal adalah tahap persiapan dan penataan yang dilakukan sebelum data dianalisis atau digunakan untuk pengambilan keputusan.
Tahap ini sangat penting karena data mentah yang baru diperoleh biasanya masih berantakan, tidak lengkap, atau mengandung kesalahan.
Dengan melakukan pengolahan awal, kita memastikan bahwa data sudah dalam keadaan terstruktur, rapi, dan konsisten, sehingga proses analisis berikutnya menjadi lebih akurat dan efisien.

1. Impor Data (Data Import)

 Impor data adalah proses memindahkan, memasukkan, atau membaca data dari sumber asal ke dalam sistem atau aplikasi pengolahan data yang akan digunakan.
Proses ini memungkinkan kita untuk membawa data mentah yang tersimpan di berbagai sumber — seperti file spreadsheet, database, API, atau cloud storage — ke dalam satu lingkungan kerja yang terintegrasi.
Tujuan utamanya adalah agar semua data dapat dikumpulkan di satu tempat sehingga mudah untuk diolah, dianalisis, atau diintegrasikan dengan data lain.
Pada tahap ini, kita juga harus memperhatikan format file, tipe data, serta kompatibilitas dengan aplikasi yang digunakan agar tidak terjadi kesalahan pembacaan data.

Tujuan:

• Membawa data mentah dari berbagai sumber agar dapat diolah dalam satu sistem.

• Menyatukan data yang mungkin berasal dari format atau sumber berbeda.
  
  

Sumber Data Umum:

• File lokal: CSV, XLSX, TXT.

• Database: MySQL, PostgreSQL, MongoDB.

• API: Mengambil data dari layanan web.
  Cloud Storage: Google Drive, Dropbox.
  Sensor/IoT: Data real-time dari perangkat.

Hal yang Perlu Diperhatikan:

1. Kecocokan format — pastikan aplikasi bisa membaca jenis file tersebut.

2. Encoding — gunakan encoding standar (misalnya UTF-8) untuk mencegah karakter rusak.

3. Ukuran data — file besar mungkin memerlukan proses chunking atau batch import.

4. Keamanan — pastikan sumber data terpercaya dan bebas malware.
   
   

2. Organisir Data (Data Organization)

Organisir data adalah proses menyusun, mengelompokkan, dan mengatur data agar memiliki struktur yang jelas, konsisten, dan mudah dipahami.
Tahap ini sangat penting karena meskipun data sudah berhasil diimpor, jika tidak diatur dengan rapi maka akan sulit untuk dianalisis.
Proses pengorganisasian mencakup pemberian nama kolom yang jelas, pengelompokan berdasarkan kategori tertentu, penambahan indeks atau kode unik, serta pengurutan data sesuai kebutuhan.
Dengan data yang terorganisir dengan baik, kita dapat menghemat waktu saat pencarian, meminimalkan kesalahan pengolahan, dan memastikan bahwa data tersebut dapat digunakan secara optimal untuk analisis mendalam.

Tujuan:

• Mempermudah pencarian dan pemfilteran.

• Mengurangi risiko kesalahan saat analisis.

• Memastikan konsistensi struktur data.

Langkah-Langkah Umum:

1. Menentukan struktur tabel — pastikan setiap kolom memiliki nama (header) yang jelas dan konsisten.

2. Mengelompokkan data — pisahkan berdasarkan kategori, periode waktu, atau atribut lain yang relevan.

3. Memberikan ID unik — untuk mengidentifikasi setiap entri data (misalnya nomor transaksi, kode pelanggan).

4. Pengurutan data (sorting) — misalnya berdasarkan tanggal atau besaran nilai.

5. Penyimpanan terstruktur — simpan data di folder dan format yang sesuai, beri nama file yang mudah dimengerti.

6. Dokumentasi data (data dictionary) — membuat daftar definisi setiap kolom agar semua pengguna memahami arti data.

3. Data Cleansing (Pembersihan Data)

Data cleansing adalah proses mengidentifikasi, memperbaiki, atau menghapus data yang salah, tidak konsisten, rusak, duplikat, atau tidak relevan.
Tahap ini memastikan bahwa data yang digunakan memiliki kualitas tinggi, sehingga hasil analisis menjadi lebih akurat dan dapat dipercaya.
Pembersihan data mencakup penghapusan duplikasi, perbaikan format, pengisian nilai yang hilang (missing values), standarisasi satuan, hingga penghapusan data yang tidak diperlukan.
Tahap ini juga sering melibatkan pengecekan logika, misalnya memastikan bahwa nilai tanggal masuk tidak lebih besar dari tanggal keluar, atau bahwa nilai usia tidak negatif.
Dengan data yang bersih, proses analisis selanjutnya akan berjalan lebih lancar, bebas dari bias yang diakibatkan oleh kesalahan data.

Tujuan:

• Meningkatkan akurasi hasil analisis.

• Mengurangi bias akibat data yang salah atau hilang.

• Menstandarkan format agar konsisten.

Langkah-Langkah Umum:

1. Menghapus duplikasi — buang entri yang sama untuk menghindari penghitungan ganda.

2. Memperbaiki kesalahan ejaan atau format — khususnya untuk kolom teks atau kode.

3. Menangani nilai kosong (missing values):
   
   

• Mengisi nilai kosong dengan rata-rata, median, atau default.

• Menghapus entri jika nilainya terlalu banyak yang kosong.
  
  

4. Validasi format — memastikan format tanggal, angka, dan teks konsisten (misalnya tanggal selalu DD/MM/YYYY).

5. Menghapus data tidak relevan — misalnya kolom atau baris yang tidak diperlukan untuk analisis.

6. Standarisasi satuan dan istilah — contoh: mengubah “Kg” dan “kilogram” menjadi satu format yang sama.

B. Analisis dan Data Keputusan

1. Analisis Data (Data Analysis)

 Analisis data adalah proses memeriksa, mengubah, dan memodelkan data untuk menemukan informasi yang bermanfaat, memahami pola, mengidentifikasi hubungan, serta mendukung proses pengambilan keputusan.
Tahap ini dilakukan setelah data melalui proses pengolahan awal seperti impor, pengorganisasian, dan pembersihan.
Analisis dapat bersifat deskriptif (menjelaskan apa yang terjadi), diagnostik (menjelaskan mengapa sesuatu terjadi), prediktif (memperkirakan apa yang mungkin terjadi), atau preskriptif (merekomendasikan langkah yang harus diambil).

Tujuan Analisis Data:

• Mengubah data mentah menjadi informasi yang dapat dipahami.

• Mengidentifikasi pola, tren, atau anomali.

• Memberikan dasar yang kuat untuk keputusan strategis.
  
  

Metode Analisis Data:

1. Analisis Deskriptif – Ringkasan data seperti rata-rata, median, dan grafik.

2. Analisis Inferensial – Menggunakan statistik untuk menarik kesimpulan dari sampel data.

3. Analisis Prediktif – Menggunakan model untuk memprediksi hasil di masa depan.

4. Analisis Preskriptif – Memberikan rekomendasi langkah berdasarkan hasil analisis.
   
   

Contoh Kegiatan:

• Menghitung penjualan rata-rata per bulan.

• Menganalisis tren kunjungan pelanggan dari waktu ke waktu.

• Menggunakan machine learning untuk memprediksi permintaan produk.
  
  

2. Pengambilan Keputusan Berbasis Data (Data-Driven Decision Making)

 Pengambilan keputusan berbasis data adalah proses menentukan langkah, strategi, atau kebijakan dengan mengandalkan informasi yang dihasilkan dari analisis data daripada sekadar asumsi atau intuisi.
Keputusan berbasis data cenderung lebih objektif, terukur, dan dapat dipertanggungjawabkan, karena didukung bukti nyata.

Tujuan Pengambilan Keputusan Berbasis Data:

• Meningkatkan akurasi keputusan.

• Mengurangi risiko kesalahan.

• Mengoptimalkan hasil dan efisiensi sumber daya.
  
  

Langkah Umum:

1. Identifikasi masalah atau tujuan – Menentukan apa yang ingin dicapai atau dipecahkan.

2. Kumpulkan data relevan – Mengambil data yang berhubungan langsung dengan masalah.

3. Analisis data – Menggunakan metode yang sesuai untuk mendapatkan insight.

4. Interpretasi hasil – Memahami arti dari temuan analisis.

5. Tentukan keputusan – Memilih langkah terbaik berdasarkan bukti.

6. Evaluasi hasil – Menilai apakah keputusan yang diambil mencapai tujuan.
   
   

Contoh Keputusan Berbasis Data:

• Perusahaan e-commerce memutuskan memberikan diskon pada produk tertentu karena data menunjukkan penurunan penjualan.

• Rumah sakit menambah tenaga medis di unit tertentu setelah analisis data menunjukkan peningkatan pasien.

• Pemerintah menetapkan kebijakan lalu lintas berdasarkan data kemacetan harian.
  
  

Hasil Pengambilan Keputusan

Hasil pengambilan keputusan adalah keluaran atau konsekuensi yang muncul setelah sebuah keputusan diterapkan. Dalam konteks manajemen berbasis data, hasil keputusan mencerminkan sejauh mana langkah yang diambil sesuai dengan tujuan awal yang telah direncanakan. Hasil ini tidak hanya berupa tindakan yang sudah dijalankan, tetapi juga mencakup capaian kinerja, indikator keberhasilan, dan pembelajaran yang dapat digunakan untuk perbaikan di masa depan.

Tujuan
Tujuan utama dari mengevaluasi hasil pengambilan keputusan adalah untuk mengukur efektivitas keputusan tersebut, menilai apakah tujuan awal tercapai, dan memberikan umpan balik yang bermanfaat bagi pengambilan keputusan berikutnya. Evaluasi hasil juga berfungsi sebagai dokumentasi resmi yang dapat dijadikan referensi untuk kebijakan atau strategi mendatang.

Tahapan Umum

1. Implementasi Keputusan – Menjalankan langkah-langkah yang telah dipilih, termasuk pembagian tugas, alokasi sumber daya, dan pengaturan waktu pelaksanaan.

2. Pemantauan dan Pengumpulan Data – Mengamati perkembangan setelah keputusan diterapkan, serta mengumpulkan data kinerja, indikator hasil, dan tanggapan dari pihak terkait.

3. Evaluasi Hasil – Membandingkan hasil aktual dengan target yang telah ditetapkan, serta menganalisis faktor-faktor yang mempengaruhi keberhasilan atau kegagalan.
   
   

4. Umpan Balik (Feedback) – Menentukan apakah keputusan yang diambil perlu dipertahankan, dimodifikasi, atau diganti. Umpan balik ini menjadi bekal penting untuk pengambilan keputusan selanjutnya.
   
   

Contoh
Dalam bisnis, keputusan menaikkan harga produk mungkin menghasilkan peningkatan pendapatan 15% dalam tiga bulan, tetapi menurunkan jumlah pelanggan baru. Di sektor pendidikan, kebijakan pembelajaran daring dapat meningkatkan partisipasi siswa, namun memerlukan adaptasi materi. Dalam pemerintahan, kebijakan ganjil-genap bisa mengurangi kemacetan hingga 20%, tetapi menambah beban pada transportasi umum.

Dengan melakukan evaluasi hasil keputusan secara sistematis, organisasi atau individu dapat memastikan bahwa setiap keputusan yang diambil tidak hanya efektif untuk saat ini, tetapi juga memberikan dampak positif berkelanjutan di masa mendatang.