TL;DR
Metodologi analisis data adalah urutan kerja terstruktur dari pertanyaan bisnis sampai keputusan. Enam tahapnya: rumusin pertanyaan, kumpulin data, bersihin data, eksplorasi, analisis dan uji, lalu komunikasikan buat ambil keputusan. Tahap paling sering diskip adalah yang pertama, dan itu penyebab utama kenapa hasil analisis nggak dipakai siapa-siapa.
Metodologi analisis data adalah urutan kerja dari pertanyaan bisnis sampai keputusan yang diambil. Enam tahap, dan tiap tahap punya output yang jelas.
Kebanyakan analisis yang gagal bukan gara-gara toolnya kurang canggih. Gagalnya karena orangnya langsung buka data, bikin 15 chart, terus bingung mau bilang apa.
Di bawah ini urutan yang aku pakai buat tiap proyek analisis, plus contoh nyata pakai data UMKM.
Metodologi analisis data adalah kerangka kerja terstruktur yang ngatur urutan langkah dari merumuskan pertanyaan, ngumpulin dan ngerapiin data, sampai nyampein temuan yang bisa dipakai buat ambil keputusan.
Gunanya bukan biar keliatan rapi di laporan. Gunanya biar kamu nggak buang 3 hari ngolah data yang ternyata nggak nyambung sama pertanyaan aslinya.
Ini enam tahapnya:
Ini tahap yang paling sering diskip, dan paling mahal kalau salah.
Pertanyaan yang bagus punya satu ciri: jawabannya bisa ngubah keputusan.
| Pertanyaan lemah | Pertanyaan yang kepakai |
|---|---|
| Gimana performa penjualan kita? | Kategori mana yang marginnya di bawah 15% dan layak dihentikan? |
| Pelanggan kita kayak gimana? | Berapa persen pelanggan yang beli lagi dalam 60 hari, dan apa bedanya sama yang nggak? |
| Apakah promo kemarin berhasil? | Apakah margin total selama promo lebih tinggi dari 4 minggu sebelumnya? |
Tes gampangnya: tanya ke diri sendiri, "habis tau jawabannya, kita mau ngapain?" Kalau nggak ada jawaban, pertanyaannya belum siap.
Output tahap ini: satu kalimat pertanyaan, plus definisi metrik yang dipakai. Tulis. Jangan cuma di kepala.
Sekarang baru kamu tau data apa yang beneran dibutuhin.
Yang harus kamu tentuin:
Jebakan yang sering: ngambil data cuma dari periode yang bagus. Kalau kamu cuma ambil bulan Ramadan, kesimpulan kamu nggak berlaku di bulan lain.
Tahap paling lama. Dari catatan waktu kerjaanku, ini makan sekitar 40% total waktu proyek.
Checklist yang aku jalanin tiap kali:
COUNT(*) versus COUNT(DISTINCT id_transaksi).Buat ngerapiin teks berantakan, fungsi TRIM dan UPPER biasanya udah nyelesaiin separuh masalah.
Sekarang kamu lihat-lihat dulu sebelum nyimpulin apa-apa.
Yang dicari:
Tahap ini sifatnya main-main. Kamu belum nyari jawaban, kamu lagi kenalan sama datanya.
Yang sering kejadian: kamu nemu masalah data yang lolos dari tahap 3. Balik lagi ke tahap 3. Itu normal, metodologi ini muter, bukan garis lurus.
Baru sekarang kamu jawab pertanyaan dari tahap 1.
Kebanyakan analisis kantoran selesai di level agregasi: jumlah, rata-rata, dan perbandingan antar periode atau antar segmen. Nggak perlu statistik rumit.
Statistik inferensial baru kepakai kalau kamu perlu tau: "perbedaan yang aku lihat ini nyata, atau cuma kebetulan?" Misal pas ngevaluasi A/B test.
Yang penting di tahap ini: coba jatuhin kesimpulan kamu sendiri. Kalau kamu nemu promo naikin omzet 22%, cek dulu. Jangan-jangan bulan itu emang selalu ramai tiap tahun.
Analisis yang nggak dipahami sama yang ambil keputusan = analisis yang nggak ada.
Struktur yang paling sering nyantol:
Bagian batasan sering diskip karena takut keliatan lemah. Padahal itu yang bikin kamu dipercaya.
Dataset toko_berkah dari ngulikdata, UMKM retail 3 cabang, 6.240 transaksi selama 2025.
Tahap 1. Pertanyaan awal dari pemilik: "kenapa omzet turun?" Terlalu luas. Aku pertajam jadi: "Omzet Q4 turun 11% dari Q3. Penurunan ini datang dari lebih sedikit pelanggan, atau pelanggan yang sama belanja lebih kecil?"
Tahap 2. Ambil data transaksi Juli-Desember 2025, grain-nya per transaksi.
Tahap 3. Ketemu 84 transaksi duplikat (kecatat dua kali pas sistem kasir sempat error November). Dibuang. Ketemu juga 3 nama kota yang sama ditulis 7 cara berbeda.
Tahap 4. Eksplorasi nunjukin jumlah transaksi Q4 justru naik 6%. Jadi penurunan omzet bukan dari sepinya pembeli.
Tahap 5. Rata-rata belanja per transaksi turun dari Rp78.400 (Q3) ke Rp65.900 (Q4), turun 16%. Pas dipecah per kategori, ketemu biangnya: kategori "beras & sembako", yang biasanya nyumbang 34% omzet, jumlah item per transaksinya turun dari 2,8 ke 1,6.
Ternyata stok beras kosong 19 hari selama Q4. Orang tetap datang, tapi pulang bawa lebih sedikit barang.
Tahap 6. Rekomendasinya bukan "tingkatin promosi". Pembelinya udah rame. Rekomendasinya: benerin manajemen stok sembako. Potensi omzet yang ilang dari 19 hari kosong itu sekitar Rp52 juta.
Kalau aku loncat langsung ke bikin chart tanpa tahap 1, aku bakal kirim laporan "omzet turun 11%" dan pemiliknya bakal keluar duit buat promosi yang nggak dia butuhin.
Mulai dari data, bukan dari pertanyaan. Ini asal-usul semua dashboard yang nggak dibuka siapa-siapa.
Bersihin data sambil analisis. Nanti kamu lupa udah buang baris yang mana, dan angkamu nggak bisa direproduksi.
Berhenti di temuan, nggak sampai rekomendasi. "Omzet turun 11%" itu fakta, bukan analisis. Analisis itu jawab kenapa dan harus ngapain.
Nggak nyimpen catatan keputusan. Tiga bulan lagi kamu bakal ditanya "kenapa waktu itu 84 baris dibuang?" dan kamu bakal lupa.
Ngerjain semua tahap sendirian tanpa ngobrol. Tanya orang bisnisnya di tahap 1 dan tahap 6. Di tengah, kerja sendiri nggak apa-apa.
CRISP-DM adalah metodologi standar yang dipakai luas di proyek data science, dengan 6 fase dari business understanding sampai deployment. Metodologi 6 tahap di artikel ini lebih ringkas dan condong ke kerjaan analis harian. Semangatnya sama: mulai dari pertanyaan bisnis, jangan dari data. Referensi lengkapnya bisa kamu baca di dokumentasi CRISP-DM dari IBM.
Dari catatan waktu ngerjain laporan bulanan: rumusin pertanyaan 5%, kumpulin data 15%, bersihin data 40%, eksplorasi 20%, analisis 10%, komunikasi 10%. Bersihin data selalu paling lama, dan itu normal.
Tahap bersihin data boleh dipercepat, tapi jangan diskip sepenuhnya. Minimal cek duplikat, nilai kosong, dan rentang tanggal. Yang nggak boleh diskip sama sekali itu tahap pertama. Analisis tanpa pertanyaan jelas bakal menghasilkan 15 chart yang nggak dipakai siapa-siapa.
Pertanyaan bagus punya jawaban yang bisa ngubah keputusan. "Gimana performa penjualan kita?" versus "kategori mana yang marginnya di bawah 15% dan layak dihentikan?" Yang kedua langsung nyambung ke tindakan.
Nggak. Kebanyakan kerjaan analis selesai dengan agregasi biasa: jumlah, rata-rata, perbandingan antar periode. Statistik inferensial baru kepakai kalau kamu mau bilang perbedaan yang kamu lihat itu nyata atau cuma kebetulan. Cek definisi EDA di glossary buat tahap eksplorasi.
Ambil satu pertanyaan dari kerjaan kamu minggu ini, tulis di kertas, dan jalanin 6 tahap ini urut. Beda hasilnya bakal langsung kerasa.
Buat tahap analisis, latihan query-nya bisa kamu mulai di NgulikSQL. Mau lanjut ke tahap komunikasi? Baca cara bikin dashboard Looker Studio.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Cara pakai pandas rolling buat hitung moving average dan haluskan data time series yang naik-turun. Lengkap dengan contoh penjualan harian UMKM.
Data transaksi harian sering terlalu ramai buat dilihat. Pandas resample ngeringkasnya jadi total per minggu atau per bulan cuma dengan satu baris, asal indeksnya tanggal.
Kolom tanggal yang kebaca sebagai teks bikin sortir dan hitung selisih hari jadi kacau. Ini cara pd.to_datetime ubah teks jadi tanggal asli, plus tangani format berantakan.