ANALISIS DATA LANJUTAN INTERNET

 

Nama: Kamil

Absen: 23
 Kelas : 8C

ANALISIS DATA LANJUTAN INTERNET

 

PETA KONSEP DATA ANALISIS LANJUTAN

Data Analisis Lanjutan

│

├── A. Pengolahan Data Awal

│   ├── 1. Impor Data

│   │     a. Mengimpor File

│   │         1. File Spreadsheet

│   │         2. File Teks (CSV, TXT)

│   │         3. File XML

│   │     b. Mengimpor Database

│   │

│   ├── 2. Organisir Data

│   └── 3. Data Cleansing

│         - Filtering

│         - Penggunaan Fungsi

│         - PivotTables

│         - Find and Replace

│         - Validasi Data

│         - Penghapus Duplikat

│

└── B. Pengolahan Data Keputusan

    ├── 1. Identifikasi Data

    └── 2. Analisis Data Keputusan

         - Data Numerik

         - Data Teks

         - Data Tanggal & Waktu

         - Data Kategori

         - Data Geografis

         - Data Terstruktur & Tidak Terstruktur

         - Data Historis & Real-time

---

APERSEPSI

Data adalah bahan baku informasi. Dalam dunia bisnis, penelitian, maupun pemerintahan, data menjadi landasan utama pengambilan keputusan. Namun, data mentah seringkali tidak siap digunakan—mungkin tidak rapi, formatnya berbeda, atau mengandung kesalahan.
Oleh karena itu, data analisis lanjutan dibagi menjadi dua tahap besar:

1. Pengolahan Data Awal → tahap mempersiapkan data agar bersih, rapi, dan sesuai format.
2. Pengolahan Data Keputusan → tahap memanfaatkan data yang sudah siap untuk menghasilkan wawasan dan rekomendasi.

Pemahaman ini juga memerlukan pengetahuan tentang aplikasi pengolah data terstruktur yang menjadi alat utama bagi analis.

---

APLIKASI UNTUK MENGOLAH DATA TERSTRUKTUR

1. Microsoft Excel
• Aplikasi spreadsheet paling populer di dunia.
• Dilengkapi fitur rumus, grafik, PivotTables, validasi data, hingga koneksi ke database.
• Kelebihan: fleksibel, banyak digunakan di berbagai industri, dan memiliki add-in analisis.
2. Google Sheets
• Spreadsheet berbasis cloud dari Google.
• Kelebihan: kolaborasi real-time, otomatis tersimpan di Google Drive, gratis, dan mudah diakses dari berbagai perangkat.
3. Airtable
• Perpaduan antara spreadsheet dan database.
• Memiliki tampilan grid, kanban, galeri, dan kalender.
• Sangat cocok untuk manajemen proyek, inventaris, atau database tim.
4. MySQL
• Sistem manajemen basis data relasional (RDBMS) yang populer.
• Cocok untuk aplikasi web dan data besar.
• Dapat diintegrasikan dengan Excel atau aplikasi BI (Business Intelligence).
5. MongoDB
• Database NoSQL berbasis dokumen JSON.
• Fleksibel untuk data yang tidak memiliki struktur tabel tetap.
• Cocok untuk data sensor, log aplikasi, atau data media sosial.
6. SQLite
• Database ringan tanpa memerlukan server terpisah.
• Umumnya digunakan di aplikasi mobile dan desktop.
7. PostgreSQL
• RDBMS open-source yang canggih.
• Mendukung query kompleks, integrasi GIS (data geografis), dan keamanan tingkat tinggi.

---

A. PENGOLAHAN DATA AWAL

1. Impor Data

Impor data adalah proses memasukkan data dari sumber eksternal ke dalam aplikasi analisis.

---

a. Mengimpor File

1. File Spreadsheet

• Penjelasan: Format data berbentuk tabel dengan baris (record) dan kolom (field). Contoh: .xlsx (Excel), .ods (OpenDocument Spreadsheet).
• Contoh Data:

Nama Siswa	Nomor Induk	Tanggal Absen	Keterangan Absen
Andi	1234	01-08-2025	Hadir
Budi	1235	01-08-2025	Sakit

• Langkah Mengonversi ke Excel:
1. Buka file di Google Sheets.
2. Pilih File → Download → Microsoft Excel (.xlsx).
3. File siap digunakan di Excel.

---

2. File Teks (CSV, TXT)

• Penjelasan: Data berbentuk teks dengan pemisah koma (CSV) atau tab (TXT).
• Contoh CSV:
• Nama Siswa,Nilai MTK,Nilai Bhs Inggris,Nilai IPA
• Andi,85,90,88
• Budi,78,85,80
• Langkah Impor ke Spreadsheet:
1. Buka Excel → Data → From Text/CSV.
2. Pilih file → tentukan pemisah → Load.

---

3. File XML

• Penjelasan: Format berbasis tag yang menyimpan data terstruktur.
• Contoh:
• <Siswa>
•   <Nama>Andi</Nama>
•   <Nilai>90</Nilai>
•   <Kelas>10A</Kelas>
• </Siswa>
• Langkah Impor ke Excel:
1. Aktifkan tab Developer di Excel.
2. Klik Import → pilih file XML → tentukan skema → OK.

---

b. Mengimpor Database

1. Penjelasan
Menghubungkan Excel atau aplikasi analisis dengan database seperti MySQL, PostgreSQL, atau SQLite untuk mengambil data langsung.

2. Contoh Data:

No	NIS	Nama Siswa	Jenis Kelamin	Kelas	Alamat	Nomor Telepon
1	1001	Andi	L	10A	Jakarta	08123456789

3. Cara Impor Database ke Excel:

1. Buka Excel → Data → Get Data → From Database.
2. Pilih jenis database → masukkan koneksi server → pilih tabel → Load.

4. Impor Data Eksternal di Excel:

• Gunakan menu Data → Get External Data → pilih sumber (Web, Text, Database).

---

2. Organisir Data

Mengatur data agar mudah dibaca dan dianalisis:

• Mengubah format tanggal/angka.
• Menambahkan header yang jelas.
• Mengurutkan data (sorting).
• Mengelompokkan data berdasarkan kategori.

Contoh: Mengurutkan siswa berdasarkan nilai matematika tertinggi.

---

3. Data Cleansing
Membersihkan data dari kesalahan atau ketidakkonsistenan sangat penting untuk memastikan hasil analisis yang akurat. Proses ini membantu mencegah kesalahan dalam pengambilan keputusan yang bisa terjadi akibat data yang tidak valid atau tidak rapi.

Fitur Penting:

1. Filtering → Menyaring data sesuai kriteria tertentu, misalnya hanya menampilkan siswa dengan nilai di atas 80. Filtering memudahkan fokus pada data relevan dan mengabaikan data yang tidak diperlukan.
2. Penggunaan Fungsi → Contohnya fungsi TRIM() di Excel yang menghapus spasi berlebih sehingga data terlihat konsisten. Fungsi-fungsi lain seperti PROPER() atau LOWER() juga dapat membantu merapikan format teks.
3. PivotTables → Digunakan untuk meringkas data dalam bentuk tabel dinamis, memudahkan pengelompokan dan analisis cepat. Misalnya, menghitung rata-rata nilai per kelas tanpa harus menulis rumus manual.
4. Find and Replace → Fitur ini berguna untuk mengganti teks atau angka secara massal, seperti mengganti semua kata "Hadir" menjadi "H". Hal ini menghemat waktu dibandingkan mengganti satu per satu secara manual.
5. Validasi Data → Membatasi input agar sesuai kriteria, misalnya hanya menerima angka 0–100 untuk nilai ujian. Dengan validasi, kesalahan pengetikan seperti memasukkan angka 1000 bisa dihindari.
6. Remove Duplicates → Menghapus entri ganda yang dapat menyebabkan perhitungan ganda atau kebingungan. Fitur ini penting ketika data berasal dari berbagai sumber yang berpotensi memuat data sama lebih dari sekali.

Contoh Skenario: Misalnya, dalam daftar absen siswa, terdapat beberapa nama yang tercatat dua kali karena proses impor data dari berbagai file. Dengan fitur Remove Duplicates, entri ganda dapat dihapus secara otomatis. Setelah itu, dilakukan Filtering untuk hanya menampilkan siswa yang memiliki kehadiran di bawah 80%, sehingga guru dapat memberikan perhatian khusus kepada siswa tersebut. Fungsi TRIM() digunakan untuk merapikan nama siswa yang memiliki spasi berlebih, sedangkan Validasi Data memastikan bahwa kolom nilai hanya menerima angka yang valid. Proses ini menjadikan data siap untuk analisis tanpa kesalahan.

---

B. PENGOLAHAN DATA KEPUTUSAN

E. Analisis dan Data Keputusan

Analisis dan data keputusan adalah tahap akhir dari proses analisis data lanjutan, di mana data yang sudah diolah digunakan untuk membuat kesimpulan, prediksi, atau rekomendasi. Proses ini sangat penting karena menentukan arah tindakan yang akan diambil berdasarkan bukti yang ada, bukan hanya perkiraan atau asumsi. Sebelum melakukan analisis keputusan, langkah pertama adalah identifikasi data untuk memastikan bahwa data yang digunakan sesuai dengan kebutuhan analisis.

---

1. Identifikasi Data

Identifikasi data adalah proses mengenali, mengklasifikasikan, dan memahami karakteristik data yang akan digunakan dalam analisis. Tujuannya adalah memastikan bahwa setiap jenis data dipahami dengan baik sehingga metode analisis yang digunakan bisa tepat sasaran. Pada tahap ini, kita membedakan data ke dalam beberapa kategori berikut:

a. Data Numerik

Data numerik adalah data yang berbentuk angka dan dapat diukur atau dihitung. Contohnya meliputi nilai ujian siswa, jumlah penjualan produk, atau suhu harian. Data ini biasanya digunakan dalam perhitungan statistik, analisis tren, atau pemodelan prediktif. Pengolahan data numerik memerlukan ketelitian tinggi karena kesalahan kecil dapat memengaruhi hasil analisis secara signifikan.

b. Data Teks

Data teks berisi informasi dalam bentuk kata atau kalimat, seperti nama siswa, komentar pelanggan, atau deskripsi produk. Data jenis ini sering digunakan untuk analisis kualitatif, seperti analisis sentimen atau pencarian kata kunci. Identifikasi data teks penting untuk memahami konteks, struktur, dan potensi kesalahan pengetikan yang bisa memengaruhi hasil analisis.

c. Data Tanggal dan Waktu

Data ini mencakup informasi yang berhubungan dengan tanggal, bulan, tahun, jam, menit, atau detik. Contohnya adalah tanggal transaksi, jadwal ujian, atau waktu kedatangan pesawat. Data tanggal dan waktu penting untuk analisis tren, peramalan, serta pengelompokan berdasarkan periode tertentu. Kesalahan format dalam data waktu dapat mengganggu proses analisis, sehingga validasi sangat diperlukan.

d. Data Kategori

Data kategori adalah data yang dikelompokkan berdasarkan label atau kategori tertentu. Contohnya meliputi jenis kelamin (laki-laki/perempuan), status keanggotaan (aktif/non-aktif), atau tingkat pendidikan (SD/SMP/SMA). Data kategori sangat berguna untuk analisis segmentasi, perbandingan kelompok, atau analisis distribusi. Penting untuk memastikan bahwa kategori konsisten, misalnya penulisan “Laki-laki” dan “laki-laki” dianggap sama.

e. Data Geografis

Data geografis adalah data yang berhubungan dengan lokasi atau koordinat. Contoh data ini meliputi alamat pelanggan, titik GPS, atau wilayah administrasi. Data geografis sering digunakan dalam pemetaan, analisis distribusi wilayah, dan logistik. Mengidentifikasi data geografis membantu memutuskan apakah analisis membutuhkan sistem informasi geografis (GIS) atau visualisasi peta.

Penutup dan Evaluasi

Pengolahan data, mulai dari tahap awal seperti impor, pengorganisasian, pembersihan, hingga analisis dan pengambilan keputusan, merupakan proses yang krusial untuk menghasilkan informasi yang akurat dan dapat diandalkan. Setiap langkah memiliki perannya masing-masing, mulai dari memastikan format file yang tepat, menjaga konsistensi data, hingga memanfaatkan berbagai fitur analisis untuk mendapatkan wawasan yang bermakna.

Dengan menguasai tahapan ini, pengguna tidak hanya dapat mengelola data dengan lebih efektif, tetapi juga mampu membuat keputusan yang lebih tepat berdasarkan bukti dan informasi yang valid. Keterampilan ini sangat bermanfaat di berbagai bidang, baik di dunia pendidikan, bisnis, maupun penelitian.

Evaluasi

• Apakah proses impor data dilakukan dengan format dan langkah yang benar?

• Apakah data telah diorganisir dan dibersihkan sehingga tidak ada duplikasi atau kesalahan?

• Apakah fitur analisis seperti PivotTables dan validasi data telah dimanfaatkan secara optimal?

• Apakah hasil analisis benar-benar mendukung keputusan yang diambil?

Dengan menjawab pertanyaan-pertanyaan evaluasi ini, pengguna dapat menilai efektivitas proses pengolahan data yang dilakukan, sekaligus memperbaiki kekurangan untuk pengolahan data berikutnya.