Pengantar

Analitika Data
(Data Analytics)
Modul 2
Hendra Pratama, ST., MT.
Joko Hardono, ST., MT.
Universitas Muhammadiyah Tangerang
2023
Pengertian ‘DATA’:
• Kumpulan fakta atau informasi baik dalam bentuk
angka, kata, teks, gambar, suara, simbol atau
bentuk lainnya yang dapat diolah dan
dianalisis untuk mendapatkan
pemahaman atau wawasan baru.
• Data tersebut didapatkan dengan melakukan
pengukuran, observasi/pengamatan, dan lainnya.
Contoh macam ‘DATA’:
 Karakteristik ‘DATA’:
1. Relevansi: Data harus relevan dengan tujuan atau
masalah yang sedang dipelajari atau diselesaikan.
2. Akurasi: Data harus akurat dan representatif dari fakta
yang ingin diwakili.
3. Keterukuran: Data harus dapat diukur atau dihitung
dengan cara yang konsisten dan dapat diulang.
4. Keterkaitan: Data dapat memiliki hubungan atau
keterkaitan dengan data lainnya, baik secara langsung
maupun tidak langsung.
5. Kelengkapan: Data harus lengkap dalam artian bahwa
tidak ada informasi yang hilang atau tidak tersedia yang
dapat mempengaruhi interpretasi atau analisisnya.
6. Kebaruan: Data baru seringkali lebih berharga
daripada data yang sudah lama. Namun, data historis
juga dapat memberikan wawasan berharga tentang tren
dan pola yang berkembang dari waktu ke waktu
Karakteristik ‘DATA’:
 Pengertian ‘ANALITIKA’:
• Proses penggunaan teknik statistik,
matematika, pemodelan, dan komputasi
untuk menganalisis data dengan tujuan
memperoleh pemahaman yang lebih
dalam, mengidentifikasi pola atau tren,
serta membuat keputusan yang didukung
oleh bukti atau wawasan yang diperoleh
dari data tersebut.
• Dalam konteks yang lebih luas, analitika
juga mencakup penggunaan teknologi dan
alat-alat analisis untuk mengeksplorasi,
menganalisis, dan menginterpretasi data
dengan cara yang sistematis dan
 Jenis ‘ANALITIKA’:
1. Descriptive Analytics: Jenis analitika ini
berkaitan dengan deskripsi atau
pemahaman tentang apa yang telah
terjadi berdasarkan data historis.
2. Diagnostic Analytics: Analitika di sini
fokus pada menjawab pertanyaan
"mengapa" suatu kejadian terjadi.
3. Predictive Analytics: Analitika prediktif
mencoba untuk meramalkan atau
memprediksi kejadian atau perilaku di
masa depan berdasarkan pola atau tren
yang ditemukan dalam data historis.
4. Prescriptive Analytics: Jenis analitika ini
Pengantar Analitika
Data
• Konsep yang mengacu pada proses
penggunaan metode analitika untuk
menganalisis data dalam rangka
mendapatkan wawasan atau pengetahuan
yang berharga dari data tersebut.
• Analitika data melibatkan penggunaan
teknik statistik, matematika, pemodelan,
dan algoritma komputasi untuk
mengidentifikasi pola, tren, dan hubungan
dalam data.
• Tujuan utama dari analitika data adalah
untuk mendukung pengambilan keputusan
yang lebih baik dan lebih informasional.
Tahapan Analitika Data
1. Pemahaman masalah atau pertanyaan
yang ingin dijawab.
2. Pengumpulan data yang relevan.
3. Pembersihan dan persiapan data.
4. Analisis data menggunakan berbagai
teknik statistik dan pemodelan.
5. Interpretasi hasil analisis dan
pembuatan keputusan berdasarkan
wawasan yang diperoleh.
Analitika Data di Teknik
Industri:
1. Optimasi Proses Produksi: Analitika data dapat
digunakan untuk menganalisis data yang dihasilkan dari
proses produksi, mulai dari persediaan bahan baku
hingga distribusi produk jadi.
2. Peramalan Permintaan: Dengan menggunakan teknik
analitika data seperti time series analysis atau machine
learning, perusahaan dapat meramalkan permintaan
produk mereka di masa depan.
3. Manajemen Kualitas: Analitika data dapat membantu
dalam identifikasi pola-pola yang menunjukkan
kecacatan atau masalah kualitas dalam proses produksi.
4. Optimasi Rantai Pasok: Dalam industri modern yang
kompleks, rantai pasok yang efisien sangat penting.
5. Perawatan Predictive Maintenance: Dengan
memanfaatkan analitika data pada data sensor dan data
historis dari mesin-mesin dalam pabrik, perusahaan
dapat menerapkan perawatan prediktif (predictive
maintenance).
ANALITIKA DATA di Teknik
Industri:
Tren dan Aplikasi terkini
• Analitika Prediktif dan Preskriptif: Perusahaan semakin
mengadopsi analitika prediktif dan preskriptif untuk
memprediksi kejadian di masa depan dan memberikan
rekomendasi tindakan yang optimal.
• Analitika Real-Time: Dengan meningkatnya kecepatan
pemrosesan data dan kemampuan komputasi, analitika real-
time semakin populer.
• Internet of Things (IoT) dan Analitika Sensor:
Perkembangan Internet of Things (IoT) telah menghasilkan
jumlah data yang sangat besar dari sensor yang terhubung.
• Analitika Pembelajaran Mesin: Analitika pembelajaran
mesin (machine learning) terus berkembang dan diadopsi di
berbagai industri untuk mengidentifikasi pola yang kompleks
dalam data, membuat prediksi yang lebih akurat, dan
menghasilkan wawasan yang lebih mendalam.
• Analitika Big Data: Big data analytics tetap menjadi tren
yang signifikan dalam industri karena perusahaan terus
berusaha untuk mengolah dan menganalisis volume data yang
besar, beragam, dan cepat berubah.
 Data Analytics vs Data
Analysis
Perbedaan Data Analytics Data Analysis
Bentuk dan Pengumpulan dan pemeriksaan data Pendefinisian data, pemeriksaan,
Struktur secara umum dan memiliki satu atau cleaning data, dan transformasi
lebih pengguna. data untuk memberikan hasil
yang bermanfaat.
Rangkaian Evaluasi kasus, identifikasi data, Pengumpulan data, scrubbing
Proses penyaringan data, ekstraksi data, data, analisis data, dan
validasi dan pembersihan data, interpretasi data secara tepat
agregasi & representasi data, analisis sehingga mendapatkan
data, visualisasi data, pemanfaatan kesimpulan yang diinginkan.
hasil analisis.
Penggunaan Mengacu pada masa depan, sehingga Melakukan analisis seperti
dalam Hal dapat digunakan untuk menemukan analisis deskriptif, analisis
Waktu pola terselubung, korelasi, preferensi eksplorasi, analisis inferensial,
pelanggan, tren pasar, dan informasi analisis prediktif, dan mengambil
lain yang diperlukan yang dapat hasil analisis yang berguna.
membantu membuat lebih banyak
keputusan pemberitahuan untuk
tujuan bisnis.
Tugas I (untuk dibahas
dipertemuan ke-3)
Tuliskan contoh kasus dalam tahapan
Analitika Data:
1. Pemahaman masalah atau pertanyaan
yang ingin dijawab  Contoh: Mengapa penjualan menurun?
2. Pengumpulan data yang relevan  Contoh: Data
penjualan, barang yang terjual, waktu penjualan dll.

3. Pembersihan dan persiapan data.  Contoh:

hilangkan data xxx, susun dalam tabel yyy, dst.

4. Analisis data menggunakan berbagai

teknik statistik dan pemodelan  Contoh: MS Excel,
Minitab, SSPS, Python dll.

5. Interpretasi hasil analisis dan pembuatan

keputusan berdasarkan wawasan yang
diperoleh  Contoh: tampilkan dalam grafik, animasi, dst.
Terima Kasih