Apa itu Data & Analytics?

  • Hello guys, isi postingan akan diubah/diupdate secara berkala mengikuti perkembangan, atau jika ada penambahan data/informasi. Terima kasih telah membaca.

khairul

Member
Okt 13, 2010
195
1
18
Indonesia

  • Apa itu Data & Analytics?
  • Data Processing
  • Struktur Alur Data dalam Organisasi
  • SQL
  • Business Intelligence
  • Visualization
  • Dataset Discussion
  • Research Data
  • Siapa itu Data Analyst?
  • Jenis-jenis Peran di Bidang Analytics
  • Bagaimana Proses Analitik Bekerja?
  • Perjalanan Data & Analytics dari Masa ke Masa
  • Perbedaan antara Data Analyst dan Data Engineer

1. APA ITU DATA & ANALYTICS?
  • Data & Analytics adalah bidang yang mengelola data, mulai dari mengumpulkan, membersihkan, menyimpan, hingga menganalisis dan menyajikannya, agar organisasi bisa mengambil keputusan berdasarkan fakta.
  • Data adalah fakta mentah, misalnya catatan transaksi, hasil survei, atau data sensor. Analytics adalah proses mengubah data mentah tersebut menjadi informasi dan wawasan yang berguna.
  • Contoh pemanfaatan Data & Analytics: laporan penjualan harian minimarket, dashboard jumlah pasien di rumah sakit, analisis nilai siswa per semester, hingga pemantauan harga bahan pokok oleh pemerintah.
  • Berdasarkan pertanyaan yang dijawab, analitik dibagi menjadi empat jenis:
    • Descriptive Analytics – "Apa yang terjadi?" Contoh: total penjualan bulan lalu.
    • Diagnostic Analytics – "Mengapa itu terjadi?" Contoh: penjualan turun karena stok barang kosong.
    • Predictive Analytics – "Apa yang kemungkinan akan terjadi?" Contoh: perkiraan penjualan menjelang Lebaran.
    • Prescriptive Analytics – "Apa yang sebaiknya dilakukan?" Contoh: rekomendasi jumlah stok yang perlu dipesan.
  • Semakin ke bawah, analisisnya semakin kompleks tetapi nilainya bagi pengambilan keputusan juga semakin besar. Sebagian besar pekerjaan analitik sehari-hari berada di tahap deskriptif dan diagnostik.

2. DATA PROCESSING
  • Data Processing (pengolahan data) adalah rangkaian langkah untuk mengubah data mentah menjadi data yang bersih, rapi, dan siap dianalisis.
  • Data mentah hampir tidak pernah langsung siap pakai. Masalah yang sering ditemui: data kosong, data ganda, penulisan tidak seragam ("Jkt", "Jakarta", "DKI Jakarta"), format tanggal berbeda-beda, dan salah ketik.
  • Pola pengolahan data yang paling dikenal adalah:
    • ETL (Extract, Transform, Load) – data diambil dari sumber, dibersihkan dan diubah, lalu dimuat ke tempat penyimpanan analisis. Pola klasik sejak era data warehouse tahun 1990-an.
    • ELT (Extract, Load, Transform) – data mentah dimuat dulu ke gudang data di cloud, lalu diolah di sana. Pola ini populer sejak 2010-an karena penyimpanan cloud semakin murah dan cepat.
  • Berdasarkan waktunya, pengolahan data dibagi menjadi:
    • Batch Processing – data diolah sekaligus dalam jadwal tertentu, misalnya setiap malam. Cocok untuk laporan harian.
    • Stream Processing – data diolah seketika saat data masuk. Cocok untuk deteksi penipuan transaksi atau pemantauan lalu lintas.
  • Dimensi kualitas data yang perlu diperiksa: kelengkapan (completeness), keakuratan (accuracy), konsistensi (consistency), ketepatan waktu (timeliness), dan keunikan (uniqueness).
  • Alat yang umum dipakai: Excel dan Power Query untuk data kecil, Python dengan Pandas, SQL di database, serta Apache Airflow (2014) dan dbt (2016) untuk otomatisasi pengolahan data di perusahaan.

3. STRUKTUR ALUR DATA DALAM ORGANISASI

Berikut gambaran perjalanan data dari sumbernya hingga menjadi keputusan:

Kode:
[SUMBER DATA]
 β”œβ”€β”€ Aplikasi kasir & e-commerce
 β”œβ”€β”€ Database aplikasi (MySQL, PostgreSQL)
 β”œβ”€β”€ File Excel / CSV / Google Sheets
 └── Survei, sensor, API pihak ketiga
        β”‚
        β–Ό
[DATA PROCESSING: ETL / ELT]
 ambil β†’ bersihkan β†’ gabungkan β†’ hitung
        β”‚
        β–Ό
[PENYIMPANAN ANALISIS]
 Data Warehouse (BigQuery, Snowflake, Redshift)
 atau database analisis sederhana
        β”‚
        β–Ό
[ANALISIS: SQL, Python, Excel]
        β”‚
        β–Ό
[BUSINESS INTELLIGENCE: dashboard & laporan]
 Power BI, Tableau, Looker Studio, Metabase
        β”‚
        β–Ό
[KEPUTUSAN]
 tambah stok, ubah harga, buka cabang baru

Setiap tahap saling bergantung. Dashboard yang cantik tidak akan berguna jika data di tahap awal kotor atau salah.

4. SQL
  • SQL (Structured Query Language) adalah bahasa standar untuk mengambil dan mengolah data di database relasional.
  • Konsep database relasional diperkenalkan oleh Edgar F. Codd dari IBM pada tahun 1970. Bahasa SQL (awalnya bernama SEQUEL) dikembangkan di IBM pada tahun 1974, lalu distandarkan oleh ANSI pada tahun 1986 dan ISO pada tahun 1987.
  • Meski berumur lebih dari 50 tahun, SQL masih menjadi keterampilan paling penting untuk analis data, karena hampir semua data perusahaan tersimpan di database.
  • Perintah SQL yang paling sering dipakai untuk analisis:
    • SELECT – memilih kolom yang ingin ditampilkan
    • WHERE – menyaring baris berdasarkan syarat
    • GROUP BY – mengelompokkan data, biasanya bersama fungsi agregat seperti COUNT, SUM, AVG, MIN, dan MAX
    • JOIN – menggabungkan dua tabel atau lebih berdasarkan kolom yang sama
    • ORDER BY – mengurutkan hasil
    • Window function (seperti ROW_NUMBER dan RANK) – menghitung peringkat atau total berjalan, distandarkan sejak SQL:2003
  • Database yang umum dipakai untuk belajar: MySQL, PostgreSQL, SQLite, dan SQL Server. Untuk data analitik berskala besar dipakai Google BigQuery, Snowflake, dan Amazon Redshift.
  • Contoh: menghitung total penjualan per kategori produk sejak awal tahun 2025.

Kode:
SELECT p.kategori,
       COUNT(*)      AS jumlah_transaksi,
       SUM(t.total)  AS total_penjualan
FROM transaksi t
JOIN produk p ON p.id = t.produk_id
WHERE t.tanggal >= '2025-01-01'
GROUP BY p.kategori
ORDER BY total_penjualan DESC;

5. BUSINESS INTELLIGENCE
  • Business Intelligence (BI) adalah kumpulan proses, teknologi, dan alat untuk mengubah data menjadi laporan, dashboard, dan wawasan yang membantu pengambilan keputusan bisnis.
  • Istilah ini pertama kali dipakai oleh peneliti IBM Hans Peter Luhn pada tahun 1958, lalu dipopulerkan oleh Howard Dresner dari Gartner pada tahun 1989.
  • Komponen penting dalam BI:
    • Data Warehouse – gudang data terpusat yang dirancang khusus untuk analisis. Konsepnya dipopulerkan oleh Bill Inmon (1992) dan Ralph Kimball (1996).
    • Star Schema – desain tabel dengan satu tabel fakta (misalnya transaksi) di tengah, dikelilingi tabel dimensi (produk, pelanggan, waktu, toko). Desain ini dari Kimball dan masih dipakai luas.
    • OLAP (Online Analytical Processing) – cara menganalisis data dari berbagai sudut, misalnya penjualan per bulan, per wilayah, dan per produk. Istilahnya diperkenalkan Codd pada tahun 1993.
    • KPI (Key Performance Indicator) – angka utama untuk mengukur kinerja, misalnya omzet harian, jumlah pelanggan baru, atau tingkat kepuasan.
    • Dashboard – satu layar berisi grafik dan angka KPI yang diperbarui otomatis.
  • Tools BI yang populer:
    • Microsoft Power BI (2015) – sangat populer di perusahaan, terhubung erat dengan Excel.
    • Tableau (2003) – dikenal dengan visualisasi interaktif yang kuat.
    • Looker Studio (dulu Google Data Studio, 2016) – gratis dan mudah terhubung dengan Google Sheets dan BigQuery.
    • Metabase dan Apache Superset – tools BI open source yang bisa dipasang di server sendiri.
  • Excel dengan fitur PivotTable (sejak 1993) tetap menjadi alat BI paling sederhana dan paling banyak dipakai di kantor.

6. VISUALIZATION
  • Visualisasi data adalah penyajian data dalam bentuk grafik, peta, atau diagram agar informasi lebih cepat dipahami.
  • Edward Tufte dalam bukunya "The Visual Display of Quantitative Information" (1983) memperkenalkan prinsip agar grafik menampilkan data sejelas mungkin dan membuang hiasan yang tidak perlu. Prinsip ini masih menjadi acuan desain dashboard hingga sekarang.
  • Memilih grafik sesuai tujuan:

TujuanGrafik yang CocokContoh Penggunaan
Melihat tren dari waktu ke waktuGrafik garis (line chart)Penjualan per bulan selama setahun
Membandingkan kategoriGrafik batang (bar chart)Penjualan per cabang toko
Melihat komposisi atau porsiStacked bar, atau pie chart jika kategori sedikitPorsi metode pembayaran: tunai, QRIS, transfer
Melihat sebaran dataHistogram atau box plotSebaran nilai ujian siswa
Melihat hubungan dua variabelScatter plotHubungan biaya iklan dan penjualan
Melihat data berdasarkan wilayahPeta (choropleth)Jumlah pelanggan per provinsi
Menampilkan satu angka pentingKartu KPI (scorecard)Omzet hari ini dan perbandingan dengan kemarin

Kesalahan visualisasi yang sering menyesatkan pembaca:
  • Sumbu Y grafik batang tidak dimulai dari nol, sehingga perbedaan kecil terlihat sangat besar.
  • Memakai grafik 3D atau pie chart dengan terlalu banyak potongan, sehingga sulit dibandingkan.
  • Terlalu banyak warna tanpa makna.
  • Tidak mencantumkan judul, satuan, periode data, dan sumber data.

7. DATASET DISCUSSION
  • Dataset adalah kumpulan data yang tersusun rapi, biasanya berbentuk tabel, yang dipakai untuk analisis, penelitian, atau melatih model.
  • Diskusi dataset berarti membahas asal, isi, kualitas, keterbatasan, dan kemungkinan pemanfaatan sebuah dataset bersama komunitas. Kebiasaan ini membantu mencegah kesimpulan keliru akibat salah memahami data.
  • Sumber dataset terbuka yang bisa dipakai untuk belajar dan meneliti:
    • Badan Pusat Statistik (bps.go.id) – data resmi kependudukan, ekonomi, dan sosial Indonesia.
    • Satu Data Indonesia (data.go.id) – portal data pemerintah, diperkuat oleh Peraturan Presiden Nomor 39 Tahun 2019.
    • Portal data terbuka pemerintah daerah, seperti Satu Data Jakarta dan Open Data Jabar.
    • World Bank Open Data (sejak 2010) – data pembangunan dan ekonomi seluruh negara.
    • UCI Machine Learning Repository (sejak 1987) – dataset klasik untuk belajar Machine Learning.
    • Kaggle (sejak 2010) dan Hugging Face – dataset dari komunitas, lengkap dengan diskusi dan contoh analisis.
    • Google Dataset Search (2018) – mesin pencari khusus dataset.
  • Pertanyaan untuk menilai kualitas dataset:
    • Siapa yang membuat dan menerbitkan data ini? Apakah lembaganya kredibel?
    • Kapan data dikumpulkan, dan periode apa yang dicakup?
    • Bagaimana data dikumpulkan? Sensus, survei, sampel, atau hasil scraping?
    • Apa lisensinya? Misalnya Creative Commons (CC BY) yang membolehkan pemakaian dengan menyebut sumber.
    • Apakah tersedia kamus data (data dictionary) yang menjelaskan arti setiap kolom?
    • Seberapa banyak data kosong, duplikat, atau nilai yang janggal?
    • Apakah ada bias, misalnya hanya mencakup wilayah perkotaan?
  • Contoh format saat membagikan dataset untuk didiskusikan di forum:

Kode:
Nama dataset    : Jumlah Penduduk per Kabupaten/Kota 2020-2024
Sumber          : (nama lembaga + tautan resmi)
Periode         : 2020-2024
Ukuran          : 2.570 baris, 6 kolom
Lisensi         : (sebutkan lisensinya)
Kolom penting   : provinsi, kab_kota, tahun, jumlah_penduduk
Masalah data    : ada 12 baris kosong, format nama wilayah tidak seragam
Pertanyaan      : wilayah mana yang pertumbuhan penduduknya paling cepat?

8. RESEARCH DATA
  • Research data (data penelitian) adalah semua data yang dikumpulkan, diamati, atau dihasilkan selama penelitian untuk menjawab pertanyaan penelitian dan membuktikan temuannya.
  • Jenis data penelitian:
    • Data primer – dikumpulkan sendiri oleh peneliti, misalnya hasil kuesioner, wawancara, observasi, atau eksperimen.
    • Data sekunder – data yang sudah dikumpulkan pihak lain, misalnya data BPS, laporan perusahaan, atau dataset publik.
    • Data kuantitatif – berbentuk angka yang bisa dihitung, misalnya nilai, umur, dan pendapatan.
    • Data kualitatif – berbentuk teks, suara, atau gambar, misalnya transkrip wawancara dan catatan lapangan.
  • Pengelolaan data penelitian yang baik dimulai dengan Data Management Plan (DMP), yaitu rencana tentang data apa yang dikumpulkan, format file, cara penyimpanan, siapa yang boleh mengakses, dan berapa lama data disimpan.
  • Prinsip FAIR (2016) menjadi acuan internasional pengelolaan data penelitian. Data sebaiknya:
    • Findable – mudah ditemukan, misalnya memiliki DOI dan deskripsi yang jelas.
    • Accessible – bisa diakses dengan aturan yang jelas.
    • Interoperable – memakai format dan istilah standar agar bisa digabung dengan data lain.
    • Reusable – dilengkapi dokumentasi dan lisensi agar bisa dipakai ulang oleh peneliti lain.
  • Etika data penelitian:
    • Meminta persetujuan responden (informed consent) sebelum mengumpulkan data.
    • Melakukan anonimisasi, yaitu menghapus atau menyamarkan nama, NIK, nomor telepon, dan alamat sebelum data dianalisis atau dibagikan.
    • Mematuhi UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.
    • Tidak memanipulasi, mengarang, atau membuang data agar hasil sesuai harapan.
  • Untuk keamanan, terapkan aturan backup 3-2-1: simpan 3 salinan data, di 2 jenis media berbeda, dengan 1 salinan di lokasi lain atau di cloud.
  • Repositori untuk menyimpan dan membagikan data penelitian: Zenodo (2013), Figshare, Harvard Dataverse, dan Repositori Ilmiah Nasional (RIN) yang dikelola BRIN.

9. SIAPA ITU DATA ANALYST?

Data Analyst adalah profesional yang mengumpulkan, membersihkan, menganalisis, dan menyajikan data untuk menjawab pertanyaan bisnis atau penelitian.

Mereka biasanya memakai SQL untuk mengambil data, Excel atau Google Sheets untuk analisis cepat, Python untuk pengolahan lanjutan, dan Power BI, Tableau, atau Looker Studio untuk dashboard.

Data Analyst biasanya melakukan hal-hal berikut:
  • Memahami pertanyaan bisnis dari atasan atau tim lain.
  • Menulis query SQL untuk mengambil data dari database.
  • Membersihkan dan memeriksa kualitas data.
  • Menganalisis tren, perbandingan, dan penyebab perubahan angka.
  • Membuat laporan berkala dan dashboard yang mudah dipahami.
  • Menyampaikan temuan dan rekomendasi kepada pengambil keputusan.

10. JENIS-JENIS PERAN DI BIDANG ANALYTICS

Ada 4 peran yang paling umum, yaitu:
  • Data Analyst
  • BI Analyst / BI Developer
  • Analytics Engineer
  • Data Engineer

Data Analyst
Mereka fokus menganalisis data untuk menjawab pertanyaan tertentu dan menyampaikan hasilnya dalam laporan atau presentasi.

BI Analyst / BI Developer
Mereka merancang dashboard, model data BI, dan laporan otomatis yang dipakai rutin oleh manajemen.

Analytics Engineer
Peran yang muncul sekitar tahun 2018–2019. Mereka menjembatani Data Engineer dan Data Analyst dengan mengubah data mentah menjadi tabel siap analisis menggunakan SQL dan tools seperti dbt.

Data Engineer
Mereka membangun dan merawat sistem pengolahan data, seperti pipeline ETL, data warehouse, dan otomatisasi pemindahan data.

11. BAGAIMANA PROSES ANALITIK BEKERJA?

Contoh: manajer sebuah minimarket bertanya, "Mengapa omzet cabang A turun 15% bulan ini?"
  • Memahami pertanyaan: analis memastikan maksud pertanyaan, periode yang dibandingkan, dan definisi "omzet" yang dipakai.
  • Mengambil data: query SQL dijalankan untuk mengambil data transaksi, stok, dan jumlah pengunjung cabang A selama tiga bulan terakhir.
  • Membersihkan data: transaksi batal dan data ganda dikeluarkan dari perhitungan.
  • Menganalisis: data dipecah per kategori produk dan per jam. Ternyata penurunan terbesar terjadi pada kategori minuman di sore hari.
  • Mencari penyebab: data stok menunjukkan lemari pendingin minuman rusak selama dua minggu, sehingga stok minuman dingin sering kosong.
  • Menyajikan hasil: temuan ditampilkan dalam dashboard dan ringkasan satu halaman berisi grafik serta rekomendasi.
  • Mengambil keputusan: manajer mempercepat perbaikan lemari pendingin dan menambah pemantauan stok harian.

Analisis yang baik tidak berhenti di angka "omzet turun 15%", tetapi menemukan penyebabnya dan memberi rekomendasi yang bisa dijalankan.

12. PERJALANAN DATA & ANALYTICS DARI MASA KE MASA
  • 1958–1979: Fondasi Konsep – Hans Peter Luhn memakai istilah Business Intelligence (1958), Codd memperkenalkan model database relasional (1970), SQL dikembangkan di IBM (1974), dan VisiCalc, spreadsheet pertama untuk komputer pribadi, dirilis (1979).
  • 1980–1999: Era Spreadsheet & Data Warehouse – Microsoft Excel (1985), SQL menjadi standar ANSI (1986), Howard Dresner mempopulerkan istilah BI (1989), Inmon dan Kimball mengembangkan konsep data warehouse (1992–1996), serta Codd memperkenalkan OLAP dan PivotTable hadir di Excel (1993).
  • 2000–2009: Era BI Modern & Big Data – Tableau (2003), Google Analytics (2005), dan Hadoop (2006) untuk mengolah data dalam jumlah sangat besar. Laporan mulai beralih dari kertas ke dashboard.
  • 2010–2015: Cloud Data Warehouse & Data Terbuka – World Bank Open Data dan Kaggle (2010), Google BigQuery, Amazon Redshift, dan Snowflake hadir di awal 2010-an, Apache Spark makin populer, serta Microsoft Power BI dirilis (2015).
  • 2016–2021: Modern Data Stack – dbt (2016), Google Data Studio (2016), prinsip FAIR untuk data penelitian (2016), dan pola ELT di cloud menjadi standar baru. Di Indonesia, Perpres Satu Data Indonesia terbit (2019).
  • 2022–Sekarang: Analytics dengan Bantuan AI – Google Data Studio berganti nama menjadi Looker Studio (2022), UU Pelindungan Data Pribadi disahkan (2022), dan fitur AI di tools BI memungkinkan pengguna bertanya dalam bahasa sehari-hari lalu mendapatkan grafik secara otomatis.

Ringkasnya, alat analitik terus berkembang dari kertas dan spreadsheet ke dashboard cloud dan AI. Namun, SQL, spreadsheet, dan konsep data warehouse yang lahir puluhan tahun lalu tetap menjadi fondasi pekerjaan analis hingga sekarang.

DATA ANALYST vs. DATA ENGINEER

Data Analyst
  • Data Analyst lebih berorientasi pada pemanfaatan data.
  • Fokus pada pertanyaan bisnis dan penyampaian wawasan.
  • Pekerjaan utama: query, analisis, visualisasi, dan laporan.
  • Hasil kerjanya berupa dashboard, laporan, dan rekomendasi.
  • Tools yang digunakan antara lain SQL, Excel, Python, Power BI, Tableau, dan Looker Studio.

Data Engineer
  • Data Engineer lebih berorientasi pada infrastruktur data.
  • Fokus pada ketersediaan, kecepatan, dan keandalan aliran data.
  • Pekerjaan utama: membangun pipeline, mengelola data warehouse, dan otomatisasi.
  • Hasil kerjanya berupa sistem data yang rapi dan siap dipakai analis.
  • Tools yang digunakan antara lain SQL, Python, Apache Airflow, Apache Spark, dbt, BigQuery, dan Snowflake.

MENGAPA BELAJAR DATA & ANALYTICS?

Setiap Organisasi Memiliki Data

Dari warung dengan aplikasi kasir hingga perusahaan besar dan instansi pemerintah, semua menghasilkan data yang bisa dimanfaatkan untuk bekerja lebih baik.

Keterampilan yang Mudah Dimulai

Kamu bisa mulai belajar dengan alat yang sudah dikenal seperti Excel dan Google Sheets, lalu bertahap ke SQL dan tools BI yang banyak tersedia gratis.

Dibutuhkan di Hampir Semua Bidang

Kemampuan membaca dan mengolah data berguna di bagian keuangan, pemasaran, operasional, SDM, pendidikan, kesehatan, hingga penelitian.

Membantu Penelitian Lebih Kuat

Data penelitian yang dikelola dengan rapi dan dianalisis dengan benar membuat hasil penelitian lebih kredibel dan bisa diuji ulang oleh peneliti lain.

Penting untuk Melakukannya dengan Benar

Data yang salah, grafik yang menyesatkan, atau kebocoran data pribadi bisa merugikan organisasi dan banyak orang. Ketelitian dan etika adalah bagian dari keahlian seorang analis.

ANALOGI ALUR DATA & ANALYTICS

Alur Data & Analytics akan lebih mudah dipahami dengan analogi sistem pengolahan air bersih.

1. Sumber Data – Sumber Air Mentah
  • Air diambil dari sungai, mata air, dan sumur
  • Masih bercampur lumpur dan kotoran

Ibarat pengolahan air: data mentah dari aplikasi, Excel, dan survei yang belum rapi.

2. Data Processing – Instalasi Penjernihan
  • Air disaring, diendapkan, dan diuji kualitasnya
  • Proses ini menentukan aman atau tidaknya air untuk diminum

Ibarat pengolahan air: proses ETL/ELT dan pemeriksaan kualitas data.

3. Data Warehouse – Tandon Air
  • Air bersih disimpan di tandon besar
  • Siap dialirkan kapan saja dibutuhkan

Ibarat pengolahan air: gudang data yang rapi dan siap dianalisis.

4. BI & Visualisasi – Keran di Rumah
  • Warga cukup membuka keran untuk mendapatkan air bersih
  • Tidak perlu tahu rumitnya proses di instalasi

Ibarat pengolahan air: dashboard yang memberikan informasi siap pakai kepada pengambil keputusan.

5. Kesimpulan

Sumber data yang tepat + pengolahan yang teliti + penyimpanan yang rapi + penyajian yang jelas = keputusan yang berdasarkan fakta.

TOOLS UNTUK DATA & ANALYTICS

Berikut adalah tools yang umum digunakan dalam Data & Analytics:

1. Excel & Google Sheets
Alat analisis paling dasar dan paling banyak dipakai di kantor.
Fitur penting: rumus, PivotTable, grafik, dan Power Query.

2. SQL
Bahasa standar untuk mengambil dan mengolah data di database sejak 1986.
Bisa dipelajari dengan MySQL, PostgreSQL, atau SQLite secara gratis.

3. Power BI
Tools BI dari Microsoft yang dirilis pada tahun 2015.
Populer di perusahaan dan tersedia versi desktop gratis.

4. Tableau
Tools visualisasi interaktif sejak tahun 2003.
Tersedia Tableau Public yang gratis untuk belajar dan membagikan visualisasi.

5. Looker Studio
Tools dashboard gratis dari Google (dulu Google Data Studio).
Mudah terhubung dengan Google Sheets, Google Analytics, dan BigQuery.

6. Python
Dipakai untuk pengolahan data yang lebih kompleks dan otomatisasi.
Library utama: Pandas untuk tabel data dan Matplotlib untuk grafik.

Kesimpulan Singkat

Bekal paling penting untuk mulai belajar Data & Analytics:
  • Excel atau Google Sheets, termasuk PivotTable
  • SQL untuk mengambil dan mengolah data
  • Satu tools BI: Power BI, Tableau, atau Looker Studio
  • Prinsip visualisasi yang jujur dan mudah dipahami
  • Kebiasaan menilai kualitas dataset dan menjaga etika data penelitian