TL;DR
Pengolahan data adalah proses ngubah data mentah jadi informasi yang bisa dipakai buat ambil keputusan, lewat lima tahap: kumpulin, bersihin, ubah bentuk, analisis, dan sajikan. Tiap tahap punya tool sendiri, dari Excel buat data kecil sampai SQL buat data besar. Yang bikin hasilnya bisa dipercaya bukan tahap analisisnya, tapi tahap bersihin data di awal.
Pengolahan data adalah proses ngubah data mentah jadi informasi yang bisa kamu pakai buat ambil keputusan. Data penjualan yang masih berantakan di spreadsheet, misalnya, diolah dulu sampai bisa jawab pertanyaan kayak "kota mana yang paling banyak beli bulan ini".
Masalahnya, kebanyakan penjelasan soal topik ini berhenti di teori. Padahal di kerjaan nyata, pengolahan data itu urutan langkah yang jelas dengan tool beda-beda per tahap.
Di sini aku petakan lima tahap itu ke workflow beneran. Ada contoh pakai data penjualan UMKM juga biar kebayang.
Pengolahan data adalah rangkaian langkah buat ngubah data mentah jadi output yang berguna, mulai dari ngumpulin sampai nyajiin hasilnya. Tujuannya satu: bikin angka yang tadinya cuma tumpukan baris jadi jawaban buat keputusan bisnis. Data mentah nggak ada gunanya sampai diolah dulu.
Contoh gampangnya gini. Kamu punya file transaksi 5.000 baris dari toko online. Selama masih mentah, kamu ga bisa jawab pertanyaan sesederhana "produk mana yang paling laku". Baru setelah diolah, angka itu jadi kelihatan.
Jadi pengolahan data bukan satu aksi. Ini serangkaian tahap yang harus lewat urut, dan tiap tahap punya alat sendiri.
Tahapan pengolahan data ada lima: kumpulin (collect), bersihin (clean), ubah bentuk (transform), analisis (analyze), dan sajikan (present). Urutannya nggak boleh diacak. Data harus bersih dulu sebelum dianalisis, kalau nggak hasilnya bakal salah walau query-nya udah bener.
Ini peta tiap tahap sama tool yang biasa dipakai:
| Tahap | Yang dikerjain | Tool umum | Output |
|---|---|---|---|
| 1. Kumpulin | Ambil data dari sumber | Export CSV, form, API | File data mentah |
| 2. Bersihin | Buang duplikat, benerin format | Excel, SQL | Data rapi |
| 3. Ubah bentuk | Bikin kolom baru, gabung tabel | Excel, SQL, Power Query | Data siap analisis |
| 4. Analisis | Cari pola, hitung agregat | SQL, pivot table, AI | Angka & insight |
| 5. Sajikan | Bikin chart & laporan | Chart, dashboard | Laporan buat keputusan |
Tahap pertama itu ngumpulin data dari sumbernya. Bisa export CSV dari Shopee atau Tokopedia, tarik lewat API, atau kadang masih ketik manual dari nota. Yang penting kamu tau data ini datang dari mana dan seberapa lengkap.
Satu hal yang sering kelewat di sini: catat rentang tanggalnya. Data penjualan "bulan lalu" itu ambigu kalau kamu ga tau tanggal export-nya kapan.
Data mentah hampir selalu kotor. Ada nama kota ketulis "Bandung", "bandung", sama "Bdg" buat hal yang sama. Ada baris duplikat gara-gara export kepencet dua kali. Ada harga yang kosong.
Tahap ini yang paling sering diremehkan, padahal paling nentuin. Analisis secanggih apapun bakal ngasih angka salah kalau datanya masih kotor. Kalau datamu udah gede dan berulang tiap minggu, mending bersihin pakai query daripada manual satu-satu, dan aku bahas caranya di data cleaning dengan SQL.
Setelah bersih, data sering perlu diubah bentuk dulu biar siap dianalisis. Misalnya bikin kolom baru total dari qty dikali harga. Atau gabung tabel penjualan sama tabel produk biar tau kategori tiap barang.
Buat data yang muat di spreadsheet, pivot table Excel udah cukup buat ngeringkas ribuan baris jadi tabel kecil. Buat transformasi yang berulang tiap bulan, Power Query di Excel bisa ngerekam langkahnya biar tinggal refresh.
Baru di sini kamu nanya ke data. Kota mana omzetnya paling gede? Produk apa yang penjualannya turun tiga bulan terakhir? Di SQL, pertanyaan model gini dijawab pakai GROUP BY buat ngelompokin data per kategori.
Tahap eksplorasi awal ini namanya EDA, singkatan dari exploratory data analysis. Intinya kamu ngubek data buat nyari pola sebelum bikin kesimpulan, dan langkah-langkahnya aku tulis di EDA dengan SQL.
Angka hasil analisis masih susah dicerna kalau cuma tabel panjang. Tahap terakhir ngubah angka itu jadi chart atau laporan yang bisa dibaca sekilas sama orang non-teknis, kayak bos atau klien.
Pilih bentuk chart yang cocok sama pesannya. Perbandingan antar kategori pakai bar chart, tren waktu pakai line chart. Aku bahas mana yang cocok kapan di panduan visualisasi data.
Metode pengolahan data kepilih dari ukuran data dan seberapa sering kamu ngulang kerjaannya. Ada tiga yang paling umum dipakai sekarang: manual pakai spreadsheet, batch pakai SQL, dan bantuan AI. Ketiganya sering dipakai barengan dalam satu proyek, bukan pilih salah satu.
Excel atau Google Sheets cocok buat data di bawah puluhan ribu baris yang jarang berubah. Rumus kayak SUMIFS bisa nge-total penjualan per kota tanpa nulis kode. Ini metode paling gampang dimulai kalau kamu belum pernah nyentuh SQL sama sekali.
Kelemahannya, kerjaan manual gampang salah dan capek diulang. Kalau tiap Senin kamu ngolah data yang sama, spreadsheet mulai berasa lambat.
Begitu data tembus ratusan ribu baris atau kudu diolah rutin, SQL jauh lebih enak. Satu query yang sama bisa dipakai ulang tiap minggu tinggal ganti tanggal. SQL juga ga peduli datamu 10 ribu atau 10 juta baris, logikanya tetap sama.
Ini alasan SQL jadi skill wajib buat data analyst. Sekali nulis query yang bener, kamu ga usah ngolah ulang manual tiap bulan.
Tool AI sekarang bisa bantu di beberapa tahap, terutama analisis awal dan bikin draft query. Kamu bisa minta AI nulisin query SQL dari pertanyaan bahasa biasa, atau minta ringkasan pola dari data yang udah bersih.
Tapi hati-hati di sini. AI cuma sebagus data yang kamu kasih, jadi kalau datanya masih kotor, jawabannya tetap ngaco. AI ganti kerjaan ngetik, bukan ganti tahap bersihin data.
Biar konkret, ini contoh pakai data UMKM keripik fiktif namanya Keripik Juara. Mereka jualan online dan punya file transaksi mentah dari beberapa kota. Aku jalanin lima tahap tadi sampai selesai.
Data mentahnya kira-kira gini, tabel penjualan:
| tanggal | produk | kota | qty | harga |
|---|---|---|---|---|
| 2026-06-01 | Keripik Singkong | Bandung | 10 | 15000 |
| 2026-06-01 | Keripik Pisang | Jakarta | 5 | 18000 |
| 2026-06-02 | Keripik Singkong | Bandung | 8 | 15000 |
| 2026-06-02 | Keripik Pisang | Bandung | 3 | 18000 |
| 2026-06-03 | Keripik Singkong | Jakarta | 12 | 15000 |
Tahap kumpulin dan bersihin. Anggap file udah di-export dan nama kota udah diseragamin, misalnya "Bdg" udah diganti jadi "Bandung". Sekarang data siap diolah.
Tahap ubah bentuk. File ini belum punya kolom total. Kolom itu dibikin dari qty dikali harga. Kalau kamu pakai Excel, rumusnya gampang:
=qty * hargaBuat nge-total penjualan satu kota tanpa pivot, SUMIFS ngerjain itu. Misalnya total omzet Bandung:
=SUMIFS(total, kota, "Bandung")Rumus ini jumlahin semua nilai di kolom total yang kotanya Bandung. Hasilnya 324.000.
Tahap analisis. Kalau datanya kecil kayak gini, Excel cukup. Tapi begitu barisnya ratusan ribu, SQL lebih enak. Query buat ngitung omzet per kota:
SELECT
kota,
SUM(qty * harga) AS omzet
FROM penjualan
GROUP BY kota
ORDER BY omzet DESC;GROUP BY kota ngelompokin baris per kota, terus SUM nge-total omzetnya. Hasilnya:
| kota | omzet |
|---|---|
| Bandung | 324.000 |
| Jakarta | 270.000 |
Dari sini keliatan Bandung nyumbang omzet paling gede di rentang tiga hari itu. Insight kecil, tapi cukup buat Keripik Juara mutusin kota mana yang diprioritasin buat stok.
Tahap sajikan. Dua angka ini dijadiin bar chart sederhana, Bandung di kiri Jakarta di kanan. Bos yang ga ngerti SQL langsung paham cuma dari lihat tinggi batangnya.
Perhatiin satu hal. Kalau tadi tahap bersihin dilewat dan "Bdg" ga diseragamin jadi "Bandung", omzet Bandung bakal kepecah dua dan angkanya salah. Itu kenapa urutan tahap ga boleh diacak.
Ada beberapa jebakan yang sering bikin hasil olahan salah walau kelihatan rapi:
Analisis data itu satu tahap di dalam pengolahan data, bukan hal yang sama. Pengolahan data mencakup seluruh proses dari ngumpulin, bersihin, ubah bentuk, analisis, sampai nyajiin. Analisis cuma bagian di mana kamu nyari pola dan ngitung angka. Jadi analisis ga bisa jalan sebelum tahap bersihin dan ubah bentuk selesai duluan.
Mulai dari Excel atau Google Sheets. Dua tool ini ga butuh install ribet dan kamu bisa langsung lihat datanya berubah tiap ngetik rumus. Setelah nyaman sama konsep kolom, filter, sama pivot, baru pindah ke SQL buat data yang lebih gede. SQL wajib kalau kamu mau serius jadi data analyst.
Soalnya analisis di atas data kotor ngasih angka yang salah, walau query-nya udah bener. Contohnya nama kota yang ketulis beda-beda bikin omzet satu kota kepecah jadi dua baris. Komputer nganggap "Bandung" sama "bandung" itu dua hal beda. Makanya data harus diseragamin dulu sebelum dihitung.
Buat bisa ngolah data sederhana pakai Excel, beberapa minggu latihan rutin udah cukup. Buat SQL sampai bisa nulis query GROUP BY dan JOIN sendiri, dari yang aku lihat sekitar satu sampai dua bulan kalau latihannya konsisten. Yang bikin lama biasanya bukan teorinya, tapi jam terbang ngolah data beneran.
Belum sepenuhnya. AI bagus buat bantu nulis query dan ngeringkas pola, tapi dia ga bisa mastiin datamu bersih. Kalau kamu kasih data kotor, AI tetap ngasih jawaban yang salah dengan percaya diri. AI ngurangin kerjaan ngetik, bukan ngilangin tahap bersihin dan ngecek datanya.
Pengolahan data itu lima tahap urut: kumpulin, bersihin, ubah bentuk, analisis, sajikan. Tiap tahap punya tool sendiri, dari Excel buat data kecil sampai SQL buat data gede dan berulang.
Dari semua tahap, bersihin data yang paling nentuin hasil akhir. Sekali datamu kotor, sisa prosesnya ikut salah. Mulai dari sana dulu lewat data cleaning dengan SQL, dan kamu udah pegang tahap yang paling banyak ngaruh ke kualitas hasilnya.
Buat detail teknis fungsi agregat yang dipakai di tahap analisis, dokumentasi resmi PostgreSQL aggregate functions dan halaman fungsi SUMIFS Microsoft bisa jadi rujukan.
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.