Fundamental of Data Analysis 2

Hasil Rangkuman E-Learning: Data Analysis Series dari Data Science & Data Analysis by MySkill.id

Understanding Business Problems

Skill yang sangat diperlukan dalam melakukan berbagai analisis yaitu menentukan dan memecahkan masalah. Dalam pengerjaannya, biasanya memerlukan waktu yang cukup lama dikarenakan sulitnya mencari akar masalah yang tepat. Akar masalah memiliki peranan penting dalam menjawab persoalan yang ada karena sangat mempengaruhi ketepatan hasil.

Berikut langkah-langkah problem solving, antara lain:

1. Memahami latar belakang dan konteks untuk memperkecil lingkup dari masalah.
2. Menentukan stakeholders dan bertanya untuk menambah informasi agar dapat memahami cara pandang stakeholders terhadap permasalahan yang ada sehingga kita dapat mengetahui apa yang perlu dilakukan dan apa saja kebutuhannya.
3. Membuat kerangka berpikir untuk menentukan akar masalah agar solusi yang dihasilkan tepat dan tidak perlu memakan waktu yang lama untuk mencari solusi dari akar masalah.

Problem Solving Tools

• 5 Why

5 Why adalah suatu metode analisis dalam mencari problem solving dengan cara menanyakan penyebab permasalahan yang muncul dan mencari jawabannya sehingga akar masalah dapat ditemukan dan tergambar jelas.

Langkah tools 5 Why

1. Tentukan masalah secara umum
2. Buat dan jawab pertanyaan kenapa masalah itu bisa terjadi
3. Ulangi langkah 2 sampai menemukan akar masalah yang cukup jelas, biasanya 5 pertanyaan sudah cukup untuk mendapatkan akar masalah yang tepat
4. Harus kritis, detail, dan spesifik untuk setiap literasi

• Action Priority Chart (APC)

Action Priority Chart (APC) adalah suatu diagram yang dapat digunakan untuk mencari prioritas masalah berdasarkan impact atau benefit yang bisa diberikan sehingga kita dapat mengetahui tindakan yang perlu diambil untuk memperbaiki masalah yang ada.

ACTION PRIORITY CHART

Istilah:

1. Effort, usaha yang diperlukan untuk menyelesaikan masalah
2. Impact, seberapa besar hasil yang bisa didapat
3. Quick Wins, membutuhkan usaha yang minim tapi hasil yang besar
4. Major Projects, membutuhkan usaha yang besar walaupun hasilnya juga besar
5. Fill-ins, membutuhkan usaha minim dan menghasilkan hasil yang minim juga
6. Thankless task, sebisa mungkin dihindari karena butuh usaha besar tapi hasil tidak terlalu berpengaruh

• Fishbone Diagram

Fishbone Diagram adalah diagram yang berbentuk seperti tulang ikan yang dapat digunakan untuk merinci masalah dan membantu mencari akar masalah yang dapat dilihat dari beberapa sudut pandang.

FISHBONE DIAGRAM

Istilah dan Langkah:

1. Kotak berwarna biru merupakan symptoms atau masalah yang dirasakan atau diutarakan oleh stakeholders.
2. Kotak berwarna abu-abu merupakan kategori dari point of view untuk mencari akar masalah.
3. Pada garis kecil diantara garis biru tebal dan kotak abu-abu kita bisa menuliskan akar masalah berdasarkan point of view pada nomor 2.

• Flowchart

Flowchart adalah metode pemecahan masalah dengan cara memetakan atau menggambarkan alur yang berguna untuk menentukan masalah dan mencari solusi secara sistematis.

Langkah membuat Flowchart:

1. Tentukan titik mulai dari chart
2. Tentukan variabel input
3. Tentukan proses yang akan dilakukan sampai titik akhir

Simbol-simbol dalam Flowchart

Data Cleaning and Preparation

Dalam proses pengolahan data, sering kali data yang diolah belum tentu dapat langsung digunakan dengan baik sehingga dapat menyebabkan hasil analisis yang tidak akurat atau tidak relevan maka diperlukan tahapan Data Cleaning & Preparation.

Berikut ini adalah beberapa masalah yang biasa ditemukan ketika proses analisis data, antara lain:

• Null Values (data kosong)

NULL VALUES

• Kesalahan struktural (kesalahan ketik/input)

Kesalahan struktural (kesalahan ketik/input) adalah kesalahan yang muncul saat pengambilan data, pemindahan data atau buruknya penyimpanan data. Sebagai contoh, kesalahan dalam penulisan (typo) atau tidak konsistennya penggunaan huruf besar atau kecil.

• Duplikasi data

Duplikasi data dapat diperiksa dengan cara menghitung dan mengelompokkan data sehingga terlihat data yang munculnya lebih dari sekali.

• Outlier (nilai dari data terlalu besar/kecil)

Outlier adalah data yang sangat jauh dari titik tengah suatu distribusi atau muncul di luar ekspektasi.

Data Transformation

• Formating

Terkadang ditemukan data di mana tipe data atau nilainya tidak sesuai dengan bentuk yang diinginkan sehingga nilai tersebut perlu diubah agar dapat memudahkan proses pengolahan data.

• Ubah data ke matriks yang lebih relevan

Dari data yang ada dapat dibuat perhitungan atau klausa logika sehingga dapat dihasilkan nilai lain yang lebih relevan.

• Normalisasi

Normalisasi merupakah proses perubahan nilai data dengan cara membagi tiap data dengan total data atau nilai terbesar dari data yang tersedia.

Exploratory Data Analysis & Tools (EDA Tools)

Exploratory Data Analysis (EDA) adalah suatu teknik pengolahan data untuk mencoba mencari kesimpulan umum atau petunjuk. EDA umumnya dilakukan pada awal pengerjaan analisis agar tidak terlalu memakan banyak waktu dan tenaga, hal ini diperlukan karena banyaknya metode analisis yang dapat dilakukan tetapi kita perlu memilih mana metode analisis yang sesuai dengan kebutuhan kita serta mana data yang tepat untuk dianalisis.

Contoh analisis EDA, antara lain:

1. Mencari nilai unik dari atribut data serta menghitung jumlah dari tiap atribut.
2. Menghitung pusat distribusi data berupa mean, median, dan modus.
3. Visualisasi sederhana seperti pie chart, histogram, dan bar chart.
4. Melihat distribusi dari data berdasarkan jumlah serta visualisasi.

Data Analysis Tools

• Pengolahan Data: Biasanya dapat menggunakan Microsoft Excel, Google Spreadsheet. Namun seiring banyaknya jumlah data maka perlu alat yang lebih optimal untuk mengolahnya seperti Google Cloud (Google Big Query), Hadoop, Presto, MySQL, PostgreSQL.
• Programming: Python, R, dan Java.
• Visualization Tools: Tableau, Google Data Studio, dan Power BI.