Modul 2: Fondasi Analisis Data di Excel

Studi Kasus: Dari Data Mentah Menjadi Wawasan Awal

Author

Tim Asisten Lab Matematika UI

Published

September 23, 2025

Kembali ke Arsip Praktikum PSD

Tujuan Pembelajaran

Setelah menyelesaikan modul ini, mahasiswa diharapkan mampu:

1. Memahami Konsep Fundamental dan Manipulasi Data

  • Mengidentifikasi dan membedakan tipe-tipe data fundamental di Excel, meliputi data numerik, teks (string), dan temporal (tanggal/waktu).
  • Melakukan Sort & Filter pada dataset untuk mengurutkan dan menyaring informasi berdasarkan satu atau beberapa kriteria.
  • Membuat kolom turunan (Derived Data) menggunakan formula untuk menghasilkan informasi baru dari data yang ada (contoh: menghitung Revenue dari quantity dan unit_price).
  • Menerapkan pemformatan bersyarat (Conditional Formatting) untuk menyorot (highlight) sel atau baris data yang memenuhi kondisi tertentu (contoh: menandai penjualan di atas target).

2. Menguasai Teknik Dasar Analitik Data

  • Melakukan agregasi data menggunakan analisis Pivot Table untuk meringkas kumpulan data yang besar secara cepat.
  • Mengelompokkan dan merangkum (group & summarize) data di dalam Pivot Table untuk menjawab pertanyaan bisnis yang spesifik menggunakan dataset Coffee Shop.
  • Mengonversi tabel ringkasan data dari teks menjadi visualisasi (grafik) yang efektif dan mudah dipahami untuk mengomunikasikan temuan.

3. Mengenal Ekosistem dan Profesi Data

  • Mendeskripsikan sistem data dengan menceritakan alur hidup data (data lifecycle)—dari bagaimana data dikumpulkan, disimpan, diproses, hingga dianalisis di Excel—sebagai pondasi untuk memahami alur kerja di software yang lebih canggih seperti Power BI.
  • Mendeskripsikan peran dan tujuan dari profesi data inti seperti Data Analyst, Data Engineer, dan Database Administrator, serta memahami bagaimana mereka berkolaborasi dengan profesi pendukung seperti Data Scientist, Pengembang Aplikasi, dan Operator Infrastruktur.

Bagian 1: Konsep Fundamental dan Manipulasi Data

Selamat datang di modul kedua! Kali ini kita akan fokus pada software yang mungkin sudah tidak asing lagi: Microsoft Excel. Sebelum kita bisa membuat grafik yang canggih atau ringkasan data yang kompleks, langkah pertama dan paling penting adalah memastikan data kita tersusun dengan baik. Di sinilah fitur Excel Table berperan.

Hari ini, kita akan berperan sebagai seorang analis data untuk kedai kopi fiktif, “Maven Roasters”. Tugas pertama kita berkenalan dengan “bahan mentah” kita, yaitu data transaksi mereka.

Analisis yang baik selalu dimulai dari pemahaman data yang mendalam.

Apa itu Excel Table?

Ini bukan sekadar memberi border pada sel. Menggunakan fitur “Format as Table” (Ctrl+T) akan mengubah rentang data statis Anda menjadi sebuah “objek” dinamis. Ini memberikan banyak keuntungan, seperti rentang data yang otomatis meluas saat ada data baru, pemfilteran yang mudah, dan formula yang lebih mudah dibaca.

Arena Eksperimen: Siapkan Playground Data Anda!

Untuk mempraktikkan semua materi di modul ini, Anda akan membutuhkan dataset sebagai “arena bermain”. Kami sangat merekomendasikan Anda untuk mengunduh dataset Coffee Shop Sales dari Maven Analytics.

Dataset ini bersih, mudah dipahami, dan memiliki semua komponen yang kita butuhkan untuk membuat Table, Pivot Table, dan berbagai macam visualisasi.

Unduh Dataset Coffee Shop Sales

Dataset Alternatif:

  • Financial Sample (Microsoft): Dataset penjualan fiktif yang sangat rapi, langsung dari Microsoft.
  • Data.world: Perpustakaan data raksasa jika Anda ingin mencari data tentang topik lain (film, musik, game, dll.) untuk bereksperimen sendiri.

1.1. Pengenalan Tipe Data

Setiap kolom dalam dataset kita menyimpan jenis informasi yang berbeda. Di Excel (dan di dunia data secara umum), ada tiga tipe data utama yang perlu kita kenali:

  • Teks (String): Semua data yang berupa huruf atau kombinasi huruf dan angka. Tipe ini tidak bisa dihitung secara matematis.
    • Contoh di data kita: store_location, product_category, product_type, product_detail.
  • Numerik (Numeric): Semua data yang berupa angka dan bisa dihitung (dijumlah, dirata-rata, dll.).
    • Contoh di data kita: unit_price, transaction_qty.
  • Temporal (Tanggal/Waktu): Data yang merepresentasikan waktu. Excel cukup pintar untuk mengenali ini dan memungkinkan kita melakukan analisis berbasis waktu.
    • Contoh di data kita: transaction_date, transaction_time.

1.2. Sort & Filter Data

Ini adalah dua keterampilan paling dasar namun paling sering digunakan. Sort (mengurutkan) membantu kita melihat nilai ekstrem (tertinggi/terendah), sementara Filter membantu kita fokus pada data yang spesifik.

Misi: Manajer ingin tahu, “Tunjukkan 5 transaksi dengan kuantitas (transaction_qty) penjualan tertinggi di lokasi Lower Manhattan.”

  1. Ubah menjadi Table: Klik di mana saja pada data, lalu tekan Ctrl + T. Pastikan “My table has headers” tercentang, lalu klik OK. Header Anda sekarang memiliki tombol dropdown.

    • Dinamis: Jika Anda menambah baris data baru, semua formula dan chart yang terhubung ke Table ini akan otomatis ikut ter-update.
    • Filter & Sortir: Header kolom secara otomatis memiliki tombol dropdown untuk memfilter dan mengurutkan data.
    • Total Row: Anda bisa dengan mudah menambahkan baris total di bawah untuk menghitung SUM, AVERAGE, COUNT, dll., hanya dengan satu klik.

  2. Filter Lokasi: Klik dropdown di header store_location. Hilangkan centang pada “(Select All)”, lalu beri centang hanya pada “Lower Manhattan”. Tabel Anda sekarang hanya akan menampilkan data dari lokasi tersebut.

  3. Sortir Kuantitas: Klik dropdown di header transaction_qty, lalu pilih “Sort Largest to Smallest”.

Hasil: Anda akan langsung melihat transaksi dengan kuantitas penjualan tertinggi di bagian atas. Misi selesai!

1.3. Derived Data (Membuat Informasi Baru)

Terkadang, data yang kita butuhkan belum ada di dataset. Kita harus membuatnya dari kolom yang sudah ada. Ini disebut derived data atau data turunan.

Misi: Kita perlu tahu berapa total pendapatan (revenue) dari setiap transaksi.

  1. Buat Kolom Baru: Pergi ke kolom kosong pertama di sebelah kanan Table Anda (kolom L). Ketik Revenue sebagai nama header dan tekan Enter. Excel Table akan otomatis memperluas dirinya.
  2. Masukkan Formula: Di sel pertama di bawah header Revenue (sel L2), ketik formula untuk mengalikan kuantitas dengan harga: =[@transaction_qty]*[@unit_price]
  3. Tekan Enter. Formula ini akan otomatis disalin ke semua baris di bawahnya.

Anda baru saja “merekayasa” sebuah fitur baru yang sangat penting untuk analisis keuntungan.

1.4. Highlight Data (Conditional Formatting)

Bagaimana cara cepat melihat transaksi mana yang paling berharga tanpa harus menyortirnya? Kita bisa “mewarnai” sel secara otomatis berdasarkan nilainya.

Misi: Tandai semua transaksi dengan Revenue di atas $6 agar mudah terlihat.

  1. Pilih Kolom: Klik header kolom Revenue untuk memilih seluruh datanya.

  2. Buka Conditional Formatting: Pergi ke tab Home, klik Conditional Formatting.

  3. Pilih Aturan: Pilih Highlight Cells Rules > Greater Than….

  4. Atur Kondisi: Di kotak yang muncul, masukkan 6. Di sebelah kanan, pilih format pewarnaan yang Anda suka (misalnya, “Green Fill with Dark Green Text”). Klik OK.

Hasil: Sekarang, semua transaksi dengan pendapatan di atas $6 akan otomatis menyala hijau, memberikan Anda wawasan instan hanya dengan melihat sekilas.

Bagian 2: Menguasai Teknik Dasar Analitik Data

Anda sudah berhasil merapikan dan memperkaya data mentah. Sekarang, saatnya kita menambang “emas” dari data tersebut. Di bagian ini, kita akan menjawab pertanyaan-pertanyaan dari manajer “Maven Roasters” menggunakan alat analisis paling ampuh di Excel: Pivot Table.

2.1. Agregasi Data dengan Pivot Table

Pivot Table memungkinkan kita untuk mengambil ribuan baris data transaksi dan meringkasnya menjadi tabel yang informatif dalam hitungan detik.

Misi: Manajer ingin tahu, “Kategori produk mana yang paling menguntungkan?”

  1. Buat Pivot Table: Klik di mana saja di dalam Excel Table Anda, lalu pergi ke tab Insert > PivotTable, dan klik OK.
  2. Susun Laporan: Di panel “PivotTable Fields” yang muncul di sebelah kanan, seret (drag) field berikut:
    • Seret product_category ke area Rows.
    • Seret Revenue (kolom yang kita buat di Bagian 1) ke area Values.

Hasil: Secara instan, Anda akan melihat tabel ringkasan total pendapatan untuk setiap kategori. Untuk membuatnya lebih mudah dibaca, klik kanan pada salah satu angka di kolom “Sum of Revenue”, pilih “Number Format…”, lalu pilih “Currency”.

2.2. Mengelompokkan dan Merangkum Data

Pivot Table juga sangat pintar dalam mengelompokkan data, terutama data tanggal.

Misi: Manajer bertanya, “Bagaimana tren penjualan kita dari waktu ke waktu?”

  1. Buat Pivot Table Baru: Buat Pivot Table kedua di lembar kerja baru.
  2. Susun Laporan Berbasis Waktu:
    • Seret transaction_date ke area Rows. Excel secara otomatis akan mengelompokkannya menjadi Years, Quarters, dan Months.
    • Seret Revenue ke area Values.

Hasil: Anda kini memiliki ringkasan pendapatan per bulan dan tahun, siap untuk divisualisasikan menjadi grafik tren.

2.3. Mengonversi Data Menjadi Visualisasi (Pivot Chart)

Cara terbaik untuk menyajikan temuan kita kepada manajer adalah melalui grafik. Pivot Chart adalah grafik yang terhubung langsung ke Pivot Table Anda, membuatnya interaktif.

Misi: Buatlah sebuah Bar Chart untuk menunjukkan perbandingan pendapatan antar kategori produk.

  1. Klik di mana saja di dalam Pivot Table pertama yang Anda buat (pendapatan per kategori).
  2. Pergi ke tab PivotTable Analyze.
  3. Klik PivotChart.
  4. Pilih Bar atau Column, lalu klik OK.

Hasil: Anda akan mendapatkan sebuah chart yang secara visual merepresentasikan tabel ringkasan Anda. Jika Anda memfilter Pivot Table (misalnya, hanya untuk satu lokasi toko), chart tersebut akan otomatis ikut berubah.

Bagian 3: Mengenal Ekosistem dan Profesi Data

Setelah melakukan analisis langsung, mari kita mundur sejenak untuk melihat gambaran besarnya. Di mana posisi analisis Excel ini dalam dunia data yang lebih luas?

3.1. Alur Hidup Data (Fondasi untuk Power BI)

Pekerjaan yang baru saja kita lakukan adalah bagian dari sebuah siklus yang lebih besar yang disebut alur hidup data (data lifecycle). Memahaminya akan membantu Anda mengerti mengapa ada begitu banyak alat dan profesi yang berbeda di dunia data.

Secara sederhana, alurnya seperti ini:

  1. Pengumpulan (Collection): Data dicatat. Di kasus kita, setiap transaksi di kasir “Maven Roasters” adalah titik pengumpulan data.
  2. Penyimpanan (Storage): Data mentah ini disimpan di suatu tempat, biasanya database.
  3. Pemrosesan (Processing): Data dibersihkan dan ditransformasi. Ini yang kita lakukan saat membuat Excel Table dan kolom Revenue.
  4. Analisis (Analysis): Kita mencari pola dan wawasan. Inilah yang kita lakukan dengan Pivot Table.
  5. Presentasi (Presentation): Temuan dikomunikasikan kepada pengambil keputusan. Inilah gunanya Pivot Chart dan dashboard.

Excel sangat hebat untuk langkah 3, 4, dan 5 dalam skala kecil. Namun, jika data kita jutaan baris dan perlu di-update otomatis setiap hari, kita butuh alat yang lebih kuat. Itulah peran Power BI, yang akan menyatukan semua langkah ini ke dalam dashboard otomatis yang canggih.

3.2. Peran dan Profesi di Dunia Data

Tim data di sebuah perusahaan mirip seperti kru film; setiap orang punya peran spesialisnya. Analisis yang kita lakukan adalah pekerjaan seorang Data Analyst.

  • Data Analyst (Analis Data): Inilah peran kita dalam studi kasus ini. Tugasnya adalah mengambil data yang sudah ada, menganalisisnya, dan mengubahnya menjadi wawasan bisnis yang bisa dimengerti. Output utamanya adalah laporan dan dashboard.

Mereka bekerja sama dengan banyak peran lain:

  • Data Engineer (Insinyur Data): “Kontraktor” data. Mereka membangun dan memelihara “pipa-pipa” yang mengalirkan data dari sumbernya (seperti mesin kasir) ke tempat penyimpanan (database).
  • Database Administrator (Admin Database): “Penjaga gudang” data. Mereka memastikan database tempat data disimpan aman, terorganisir, dan berjalan efisien.
  • Data Scientist (Ilmuwan Data): Fokus pada masa depan. Mereka menggunakan statistika dan machine learning untuk membuat model prediksi, seperti “memprediksi penjualan bulan depan”.
  • Pengembang Aplikasi (Developer): Membangun aplikasi yang digunakan sehari-hari (misalnya, aplikasi kasir yang mencatat data penjualan).
  • Operator Infrastruktur: Mengelola server dan hardware (baik fisik maupun cloud) tempat semua sistem ini berjalan.

Memahami ekosistem ini membantu Anda melihat bahwa analisis data adalah sebuah kerja sama tim yang besar.

Kembali ke Arsip Praktikum PSD