Mengapa Semua Orang Mulai Belajar Data? Belajar Data dari Nol Dengan Memahami Pemahaman Dasar Big Data, Python, dan Cloud Computing dalam Era BisnisDigital

Dosen Pengampu : Sabo Hermawan, S.Kom., M.Si. Nama: Laura Eliana Ginting

Bisnis Digital Universitas Negeri Jakarta

Di era bisnis digital saat ini, data bukan lagi sekadar informasi tambahan, tetapi berubah menjadi strategi perusahaan. Hampir setiap aktivitas digital mulai dari media sosial, transaksi e-commerce, hingga penggunaan aplikasi menghasilkan data dalam jumlah besar setiap detiknya.

Fenomena ini dikenal sebagai Big Data, yaitu kumpulan data yang berukuran sangat besar, bergerak dengan cepat, dan memiliki beragam jenis format yang tentu tidak lagi dikelola dengan sistem database tradisional tetapi membutuhkan teknologi khusus untuk mengelolanya. Data tersebut berasal dari berbagai sumber seperti media sosial, transaksi e-commerce, perangkat Internet of Things (IoT), hingga interaksi pengguna pada aplikasi digital.

Sebagai mahasiswa Bisnis Digital, memahami konsep ini tentu sangat penting. Big data memberikan beberapa manfaat strategis, antara lain: 1. Memahami pelanggan secara real-time Perusahaan dapat membaca pola dari perilaku konsumen secara langsung sehingga mampu memberikan layanan yang lebih personal.

2. Meningkatkan efisiensi operasional Analisis data membantu organisasi menemukan proses yang tidak efisien dan mengoptimalkan penggunaan sumber daya.

3. Pengambilan keputusan berbasis data Bisnis tidak lagi hanya mengandalkan intuisi, tetapi menggunakan data sebagai dasar strategi yang lebih terukur.

Untuk memahami Big Data secara menyeluruh, digunakan kerangka kerja yang dikenal sebagai 5V Big Data. Kelima elemen ini menjelaskan karakteristik utama data modern dalam Bisnis Digital.

1. Volume

Menggambarkan jumlah data yang sangat besar, bahkan mencapai skala terabyte hingga zettabyte. Contohnya, platform digital dapat menghasilkan ribuan data pengguna setiap hari.

2. Velocity

Data mengalir dengan sangat cepat. Perusahaan harus mampu memproses data secara real-time agar tetap relevan dalam pengambilan keputusan bisnis.

3. Variety

Data tidak hanya berbentuk angka, tetapi juga teks, gambar, video, hingga aktivitas pengguna di internet.

4. Veracity

Menekankan kualitas dan keakuratan data agar analisis yang dihasilkan dapat dipercaya.

5. Value

Tujuan utama Big Data adalah menghasilkan nilai bisnis, seperti memahami perilaku pelanggan atau meningkatkan strategi pemasaran. Data yang diolah dengan benar dapat menghasilkan:

• peningkatan pendapatan,
• efisiensi operasional,
• personalisasi layanan,
• serta keunggulan kompetitif di pasar.

Perkembangan Artificial Intelligence, Machine Learning, dan analitik prediktif semakin memperkuat peran Big Data di masa depan. Organisasi yang mampu mengolah data dengan cepat dan akurat akan memiliki keunggulan besar dibandingkan kompetitor.

Dalam praktik pengolahan data, salah satu tools penting adalah Google Colab. Dengan hadirnya Google Colaboratory (Colab) dan Google Drive, siapa pun kini bisa belajar pemrograman Python, menganalisis data, bahkan melatih model machine learning langsung dari browser karena tidak semua orang memiliki laptop dengan spesifikasi tinggi atau ingin ribet menginstal berbagai software.

Apa Itu Google Colab?

Google Colab adalah platform berbasis cloud yang memungkinkan kita menulis dan menjalankan kode Python langsung dari browser.

Artinya, tidak perlu install apapun, bisa akses di mana saja, dan bisa pakai GPU, CPU, dan TPU gratis.

Struktur dan Cara Kerja Google Colab

Google Colab menggunakan sistem notebook interaktif yang terdiri dari:

• Cell kode untuk menjalankan program Python
• Cell teks (Markdown) untuk penjelasan

Namun, penting untuk dipahami bahwa runtime pada Colab bersifat sementara. Berarti semua data yang tersimpan di penyimpanan akan hilang ketika sesi berakhir atau runtime di-reset. Google Drive berfungsi sebagai penyimpanan cloud yang bersifat permanen. Dengan kapasitas gratis sebesar 15GB, pengguna dapat menyimpan berbagai jenis file seperti dataset, hasil analisis, maupun model.

Integrasi dengan Google Colab memungkinkan file di Drive dapat diakses kapan saja dan dari perangkat mana saja. Untuk menghubungkan Google Drive dengan Google Colab, digunakan proses yang disebut mounting.

Mounting adalah proses menghubungkan penyimpanan eksternal (Google Drive) ke sistem file di Colab, sehingga file di Drive dapat diakses seperti file lokal.

Setelah mounting berhasil, file dapat diakses melalui path: /content/drive/MyDrive/

Tips Praktis

• Simpan file penting di Drive, bukan di Colab
• Gunakan nama file yang jelas (misalnya: data_penjualan_2024.csv)
• Buat folder khusus untuk tiap proyek
• Selalu cek path file biar nggak error

Hal yang Perlu Diperhatikan

Meskipun sangat membantu, ada beberapa hal yang perlu diperhatikan:

• Runtime Colab bersifat sementara
• Akses file dari Drive bisa lebih lambat karena melalui internet
• Kesalahan penulisan path dapat menyebabkan error

Google Colab merupakan platform pemrograman berbasis cloud yang powerful dan mudah digunakan, terutama karena tidak memerlukan instalasi dan menyediakan resource gratis. Namun, karena sifatnya yang sementara, penggunaan Google Drive menjadi sangat penting sebagai penyimpanan permanen.

Di era digital sekarang, data itu seakan seperti “bahan bakar” utama. Tetapi data tidak akan berguna kalau kita tidak tahu cara menyimpannya, mengelolanya, dan menggunakannya dengan benar. Di dunia pemrograman, khususnya Python ada konsep penting yang wajib dipahami.

Struktur Data?

Struktur data dapat dikatakan sebagai “cara kita menyusun data” di dalam program. Dengan struktur yang tepat, data jadi lebih mudah diakses, diolah, dan dimanfaatkan. Python sendiri sudah menyediakan beberapa struktur data bawaan yang sangat powerful, di antaranya list, dictionary, dan tuple. Ketiganya punya fungsi yang mirip, tapi cara kerja dan kegunaannya beda

1. List: Fleksibel dan Serbaguna

List adalah struktur data yang paling sering digunakan karena sifatnya yang fleksibel seperti “wadah” yang dapat menampung banyak data sekaligus.

Ciri utama list:

• Urut (ordered)
• Bisa diubah (mutable)
• Bisa isi berbagai tipe data

Contohnya:

• daftar nama mahasiswa
• nilai ujian
• list produk

Cocok untuk data yang sering berubah-ubah (ditambah, dihapus, atau diedit)

2. Dictionary: Cepat dan Terstruktur

Berbeda dengan list, dictionary pakai “key” dan “value” (kunci dan nilai). Artinya, setiap data punya identitas atau labelnya sendiri. Ini membuat proses pencarian jadi jauh lebih cepat karena kita tidak perlu mencari berdasarkan posisi, cukup menggunakan key yang sudah ditentukan.

Ciri utama dictionary:

• Akses data pakai “key”
• Cepat untuk pencarian
• Datanya lebih terstruktur

Biasanya dipakai untuk:

• data user
• profil pelanggan
• data API

3. Tuple: Aman dan Tidak Bisa Diubah

Sementara itu, tuple sebenarnya mirip dengan list, tetapi dengan satu perbedaan penting tuple tidak dapat diubah setelah dibuat. Sifat ini disebut immutable. Justru karena tidak bisa diubah, tuple menjadi lebih aman untuk menyimpan data yang harus tetap konstan.

Contoh penggunaan:

• koordinat lokasi (latitude, longitude)
• data yang tidak boleh berubah

Setelah memahami bagaimana data disusun di dalam program, langkah berikutnya adalah memahami bagaimana data tersebut disimpan atau dipertukarkan antar sistem. Di dunia industri, ada dua format data yang paling umum digunakan, yaitu JSON dan CSV.

JSON: Untuk Data Kompleks

JSON adalah format data yang sangat populer karena strukturnya mirip dengan dictionary di Python. Format ini memungkinkan penyimpanan data yang kompleks, bahkan sampai bertingkat (nested). Misalnya, satu data bisa berisi daftar lain di dalamnya.

Kelebihan JSON:

• Bisa menyimpan data kompleks (nested)
• Mudah dibaca manusia
• Dipakai di API dan web

CSV: Untuk Data Sederhana

menawarkan pendekatan yang jauh lebih sederhana. Data disusun dalam bentuk tabel, seperti baris dan kolom pada Excel. Setiap baris mewakili satu data, dan setiap kolom adalah atributnya cocok untuk data yang tidak kompleks.

Kelebihan CSV:

• Simple
• Bisa dibuka di Excel/Google Sheets
• Ringan dan cepat

Jadi, pakai JSON jika datanya kompleks dan pakai CSV ketika datanya sederhana dan tabel.

Sebelum data dianalisis, tentu harus memasukkannya terlebih dahulu ke dalam sistem. Proses ini disebut import data, yaitu ketika kita mengambil data dari file seperti CSV atau Excel ke dalam platform seperti Google Sheets atau tools cloud lainnya.

Sebaliknya, ketika data sudah selesai dianalisis dan ingin dibagikan atau disimpan, kita melakukan export data, yaitu mengeluarkan data kembali ke dalam bentuk file.

Dalam praktiknya, dua format file yang paling sering digunakan adalah CSV dan Excel. CSV dikenal karena kesederhanaannya ringan, cepat, dan kompatibel hampir di semua platform. Sementara itu, Excel lebih kompleks karena bisa menyimpan formula, grafik, dan beberapa sheet dalam satu file, sehingga sering digunakan untuk laporan bisnis.

Namun, proses import data tidak bisa asal masuk. Ada tahap penting seperti validasi memastikan format file benar, data tidak rusak, dan setiap kolom sesuai tipe datanya. Kalau tahap ini dilewatkan, data bisa-bisa bermasalah dan berujung pada analisis yang salah.

Mengolah Data: Filtering, Slicing, dan Sorting

Setelah data masuk, langkah berikutnya adalah mengolahnya agar lebih fokus dan mudah dianalisis. Di sinilah tiga teknik dasar digunakan: filtering, slicing, dan sorting.

Filtering bisa dibilang seperti “menyaring” data. Kita hanya mengambil data yang sesuai dengan kondisi tertentu. Misalnya, hanya menampilkan transaksi di atas satu juta, atau hanya data dari wilayah tertentu. Teknik ini membantu kita fokus pada bagian data yang benar-benar relevan.

Sementara itu, slicing digunakan untuk “memotong” data. Kita bisa mengambil sebagian baris, kolom tertentu, atau kombinasi keduanya. Misalnya, hanya mengambil data bulan tertentu atau hanya kolom nama produk dan harga. Teknik ini sering digunakan untuk menyederhanakan dataset yang terlalu besar.

Berbeda lagi dengan sorting, yang berfungsi untuk mengurutkan data. Dengan sorting, kita bisa melihat data dari yang terbesar ke terkecil, atau sebaliknya. Ini sangat membantu untuk menemukan pola, seperti produk paling laris atau transaksi terbesar.

Ketiga teknik ini sering digunakan bersamaan. Misalnya, kita memfilter data berdasarkan wilayah, lalu mengambil kolom tertentu, dan akhirnya mengurutkannya untuk melihat hasil terbaik. Dari sinilah, insight mulai terbentuk.

Mengubah Data Menjadi Insight: Grouping dan Pivot Table

Setelah data sudah lebih rapi, langkah berikutnya adalah merangkum data tersebut agar lebih mudah dipahami. Salah satu caranya adalah dengan grouping, yaitu mengelompokkan data berdasarkan kategori tertentu.

Misalnya, kita mengelompokkan data berdasarkan wilayah atau kategori produk, lalu menghitung total penjualannya. Dengan cara ini, data yang awalnya ribuan baris bisa diringkas menjadi beberapa baris saja yang lebih bermakna.

Namun, kalau ingin hasil yang lebih fleksibel dan interaktif, kita bisa menggunakan pivot table. Pivot table adalah tools yang memungkinkan kita melihat data dari berbagai sudut pandang tanpa mengubah data aslinya.

Dengan pivot table, kita bisa langsung menjawab pertanyaan seperti:

• Wilayah mana yang penjualannya paling tinggi?
• Produk apa yang paling laris di setiap daerah?
• Bagaimana tren penjualan tiap bulan?

Kemampuan mengelola data seperti ini sangat dibutuhkan di dunia kerja saat ini. Bukan hanya untuk data analyst, tapi juga untuk bisnis, marketing, bahkan manajemen.

Kesimpulan

Secara keseluruhan, materi ini menunjukkan bahwa data menjadi elemen utama dalam perkembangan Bisnis Digital saat ini. Pemahaman tentang konsep Big Data, penggunaan cloud computing melalui Google Colab dan Google Drive, serta struktur data Python membantu proses pengelolaan data menjadi lebih efektif dan terstruktur.

Melalui teknik import–export, filtering, slicing, dan sorting, data mentah dapat diolah menjadi informasi yang bernilai untuk mendukung pengambilan keputusan. Oleh karena itu, kemampuan memahami dan mengelola data menjadi kompetensi penting bagi mahasiswa bisnis digital di era teknologi yang semakin data-driven.