LAPORAN DASHBOARD

Oleh Kelompok 7
JASON WIRAWAN (535190051)

STEVEN SANJAYA (535190059)

LISA (535190064)

ANDRY WINATA (535190070)

KEVIN ALEXANDER W. (535190071)

DANIEL ARY NUGROHO (535190075)

BERLIANO CATUR M. (535190078)

JOSHUA KRISTIAN (535190083)

BIMO ARYO PUTRA P.B. (535190085)

JACELINE CHAN (825190098)

1
 Daftar Isi
BAB 1 ..................................................................................................................................................... 3
1.1. Latar Belakang Masalah ........................................................................................................... 3
1.2. Rumusan Masalah ..................................................................................................................... 3
1.3. Tujuan Penelitian ....................................................................................................................... 3
BAB 2 ..................................................................................................................................................... 4
2.1. Visualisasi .................................................................................................................................. 4
2.1.1 Data ....................................................................................................................................... 4
2.1.2 Relationship .......................................................................................................................... 6
2.1.3 DAX Expression ................................................................................................................... 9
2.1.4 Rangkuman Data Covid .................................................................................................... 10
2.1.5 Data Sebelum COVID ....................................................................................................... 12
2.1.6 Data sesudah COVID......................................................................................................... 14
2.1.7. Perbandingan Sebelum dan Sesudah Covid ................................................................... 17
2.1.8 Forecasting .......................................................................................................................... 21
2.2 Analisis ....................................................................................................................................... 22
2.2.1 Rangkuman COVID-19 ..................................................................................................... 22
2.2.2 Dashboard Bioskop Sebelum Terkena COVID-19 ......................................................... 23
2.2.3 Dashboard Bioskop Setelah Terkena COVID-19............................................................ 24
2.2.4 Perbandingan Bioskop antara Sebelum dan Sesudah COVID-19................................. 25
2.2.5 Forecast ............................................................................................................................... 26
BAB 3 ................................................................................................................................................... 27
3.1. Kesimpulan ............................................................................................................................... 27

2
 BAB 1
PENDAHULUAN
1.1. Latar Belakang Masalah
Pada akhir tahun 2019 lalu dunia dihebohkan dengan muculnya sebuah virus
mematikan yang dinamai Covid-19. Covid-19 adalah penyakit yang dapat menyebar dengan
cepat. Penyakit ini dapat menginfeksi paru-paru pengidapnya sampai tidak dapat berfungsi lagi.
Setiap hari, kasus positif Covid-19 terus naik dan semakin tinggi. Namun, kini kasusnya
berhasil mengalami penurunan karena kebijakan pemerintah dalam melakukan lockdown.
Tetapi lockdown yang dilakukan pemerintah memiliki dampak lain. Kebijakan tersebut
mempengaruhi berbagai bidang, seperti ekonomi. Kebijakan lockdown ini membuat warga
negara tidak dapat berkeliling dan terbatas aktivitasnya demi menghentikan peningkatan kasus
positif yang baru, karena hal itu berbagai sektor usaha harus merugi karena tidak mendapat
pelanggan dan tetap harus mengeluarkan biaya operasional, tak terkecuali Bioskop/Cinema.
Bioskop merupakan salah satu sektor yang terpengaruh efek pandemi dan kebijakan
lockdown. Bioskop kehilangan pengunjung karena larangan pemerintah yang mewajibkan
menutup bioskop demi mengurangi penularan, kebijakan terbaru memang sudah
memperbolehkan bioskop dibuka namun dengan beberapa syarat, masalahnya apakah bioskop
masih dapat bertahan dimasa pandemi ini?

1.2. Rumusan Masalah

• Seberapa besar pengaruh covid-19 terhadap kelangsungan bioskop?
• Membandingkan data bioskop sebelum dan sesudah terkena covid-19?
• Memprediksi apakah bioskop dapat bertahan dimasa pendemi?

1.3. Tujuan Penelitian

• Untuk mengetahui seberapa besar pengaruh covid-19 terhadap kelangsungan bioskop.
• Memvisualisasikan data covid-19 dan data bioskop yang berada di Jakarta sebelum
dan sesudah covid-19.
• Mengetahui perbandingan data bioskop sebelum dan sesudah terkena covid-19
• Membuat analisis dari visualisasi data.
• Melakukan prediksi menggunakan data yang ada

3
 BAB 2
PEMBAHASAN

2.1. Visualisasi
Dalam Business Intelligence (BI), memvisualisasikan suatu data dapat membantu
business analyst untuk menelaah data demi mencapai keputusan yang lebih akurat. Business
analyst juga berperan besar dalam menggerakkan organisasi ke arah efisiensi, produktivitas,
dan profitabilitas, oleh karena itu diperlukan sebuah tampilan data yang akurat namun tetap dapat
dilihat dengan mudah.
2.1.1 Data
Langkah paling awal yang dilakukan sebelum memvisualisasikan suatu data adalah
mengimpor data yang kalian punya kedalam power BI. Power BI dapat menerima berbagai
macam data, mulai dari excel hingga sql server

4
 Selain mengimpor data, power BI dapat mengubah data yang akan kalian gunakan. Mengubah
data dapat dilakukan melalui menu transform data.

Pada menu transform, kalian dapat mengubah data sesuai keinginan anda, dari mengubah
kolom yang diberikan, mengubah format data, hingga menambah data yang sebelumnya tidak ada.

5
2.1.2 Relationship
Langkah kedua untuk memvisualisaikan data yaitu relationship dengan mengubungkan
beberapa data sehingga data tersebut bisa digunakan. Pergi ke model untuk membuat
relationship .

Setelah itu dalam membuat relationship terdapat dua cara yaitu :

1. Dengan menarik data yang ingin dibuat relationshipnya

6
 Langkah pertama siapkan data yang ingin direlationshipkan, lalu kita bisa menarik
salah satu data ke data selanjutnya.

Setelah itu tarik semua data yang ingin direlationshipkan.

7
 2. Dengan melakukan auto detect

Langkah ini merupakan langkah yang sangat simple untuk merelationshipkan data. Dengan
cara pergi ke navbar dan klik pada Manage Relationship.

Setelah itu kita bisa mengklik di Autodetect dan kita bisa mengaktifkan data yang ini
direlationship kan.

Namun untuk Autodetect terkadang data tidak bisa terbaca, maka dari itu jika data tidak bisa
terbaca kita bisa menggunakan cara yang pertama yaitu dengan menarik data.

8
2.1.3 DAX Expression
Data Analyst Expression (DAX) adalah bahasa pemrogramaan yang digunakan dalam
microsoft power BI untuk menghitung kolom, ukuran, dan tabel khusus. Ini adalah kumpulan
fungsi, operator , dan konstanta yang digunakan dalam rumus, atau ekspresi, untuk menghitung
dan mengembalikan satu atau lebih nilai. DAX dapat digunakan untuk memecahkan sejumlah
perhitungan dan masalah analisis data, yang dapat membantu membuat informasi baru dari
data yang sudah ada dalam model yang dipakai..

Contoh-contoh syntax yang dapat digunakan dalam DAX.

9
2.1.4 Rangkuman Data Covid
Langkah awal untuk menampilkan grafik gambar di bawah berikut adalah dengan
mengclick bagian di dalam visualisasi yang sudah dilingkari di gambar di bawah. lalu masukan
data di dalam fields berupa data Positif aktif dan tanggal di dalam data_jakarta. Kami juga
menggunakan filter.
Langkah untuk menggunakan Advance Filtering, Yang pertama adalah memilih bagian
filter lalu pilih bagian tanggal Di panel Tersebut nantinya kita harus memilih bagian Advanced
Filtering. Lalu Masukan tangagl dengan akurat di dalam panel panel tersebut. Sebagai contoh,
kami mengatur Filter tersebut dimulai dari tanggal 6/1/2021 sampai dengan 9/30/2021

KPI (Key Performance Indicator) adalah alat pengambilan keputusan yang dapat memudahkan
Organisasi atau suatu perusahaan dalam mengukur dan mengevaluasi data. Cara menggunakan KPI
ini adalah dengan mengeclick bagian visualisasi dan Pilih bagian yang telah di lingkari dan pilih data
Positif aktif, Positif harian, dan tanggal. Setelah bagian ini sudah di click.

10
Slicer adalah sebuah Visualisasi yang menampilkan tanggal. Di dalam Slicer kita dapat melihat data
dari tanggal yang telah kita tentukan. Cara menentukan tanggal tersebut caranya mudah sekali yaitu
hanya dengan menarik 2 icon lingkaran di dalam slicer ini untuk melihat data dimulai dari tanggal
yang kita pilih sampai dengan tanggal yang kita tentukan juga.
Cara membuatnya mudah sekali, yaitu dengan memilih bagian yang sudah dilingkari pada gambar
dibawah lalu pilih dibagian Fields dan masukan data tanggal jam.

11
2.1.5 Data Sebelum COVID

Langkah Pertama untuk membuat tabel ini adalah dengan cara mengklik tombol tabel
pada visualizations lalu memilih data yang akan digunakan dengan cara menceklis data
Income , data Visitor , dan tanggal pada data_before_covid

Langkah selanjutnya adalah jumlah rata – rata visitor perhari dengan memilih tool
KPI di visualizations , lalu memilih data tanggal , vistior pada data cinema_before_covid dan
memilih data visitor cinema_after_covid

12
 Lalu Untuk membuat Jumlah rata – rata income sehari dengan melakukan cara yang
sama dengan visitor tetapi memilih data yang berbeda yaitu dengan memilih data yang ada
pada cinema_before covid , lalu menceklis income dan tanggal selanjut menceklis income

Selanjutanya untuk membuat income dan visitor sebelum covid cdisini kami menggunakan
area stack char lalu data yang digunakan adalah data cinema_before_covid dengan menceklis
tanggal , visitor dan income.

Selanjutnya membuat slicer dengan mengklik tool slicer dan memakai data cinema_before_covid
dan meceklis tanggal.

13
2.1.6 Data sesudah COVID

Langkah - langkah yang dilakukan untuk data diatas kurang lebihnya sama dengan cara
membuat Data sebelum COVID tetap hanya perbedaan menggunakan datanya saja.

Langkah membuat tabel sama dengan cara pembuatan tabel yang ada pada data
sebeleum COVID tetapi data yang digunakan berbeda yaitu dengan menceklis Income ,
Visitor , dan tanggal pada data_after_covid

14
 Langkah untuk membuat KPI jumlah rata – rata visitor perhari dilakukan dengan cara yang
sama untuk membuat KPI pada Data Sebelum COVID , tetapi kami menggunakan data yang berbeda
yaitu menggunakan data_after_covid , lalu menecklis tanggal , visitor dan selanjutnya menceklis
visitor yang ada di data_before_covid.

Cara membuat KPI jumlah rata – rata income dengan cara yang sama dengan membuat KPI
jumlah rata – rata visitor tetapi menceklis data yang berbeda yaitu cinema_after covid , lalu
menceklis income dan tanggal selanjut menceklis income pada data cinema_before covid.

15
 Selanjutanya untuk membuat income dan visitor sesudah covid cdisini kami
menggunakan area stack char lalu data yang digunakan adalah data cinema_after_covid
dengan menceklis tanggal , visitor dan income.

Untuk membuaat slicer kami menggunakan cara yang sama seperti pada pembuatan
rangkuman Data COVID.

16
2.1.7. Perbandingan Sebelum dan Sesudah Covid

Langkah - langkah yang dilakukan untuk data diatas kurang lebihnya sama dengan cara
membuat Data sebelum dan sesudah COVID tetap hanya perbedaannya yaitu menggabungkan data
dari sebelum dan sesudah COVID.

17
 Langkah membuat tabel sama dengan cara pembuatan tabel yang ada pada data
sebeleum dan sesudah COVID. Data yang digunakan adalah data Cinema_after _covid dengan
mencentang cinema_income, tanggal, dan visitor_per_day. Lalu data selanjutnya yaitu Data
Jakarta dengan mencentang positif aktif.

Langkah untuk membuat KPI jumlah rata – rata visitor sebelum COVID dilakukan dengan cara
yang sama untuk membuat KPI pada Data Sebelum COVID dan Sesudah Covid. Data yang digunakan
adalah data Cinema_before_covid lalu dengan mencentang tanggal dan visitor_per_cinema.

Langkah untuk membuat KPI jumlah rata – rata Income sebelum COVID dilakukan dengan
cara yang sama untuk membuat KPI pada Data Sebelum COVID dan Sesudah Covid. Data yang
digunakan adalah data Cinema_before_covid dengna mencentang cinema_income dan Tanggal.

Langkah untuk membuat KPI jumlah rata – rata visitor setelah COVID dilakukan dengan cara
yang sama untuk membuat KPI pada Data Sebelum COVID dan Sesudah Covid. Data yang digunakan
adalah data Cinema_after_covid dengan mencentang tanggal dan visitor_per_day.

18
 Langkah untuk membuat KPI jumlah rata – rata Income setelah COVID dilakukan dengan cara
yang sama untuk membuat KPI pada Data Sebelum COVID dan Sesudah Covid. Data yang digunakan
adalah data Cinema_after_covid dengan mencentang cinema_income dan tanggal.

Selanjutnya untuk membuat income dan visitor sebelum covid disini kami
menggunakan area stack char lalu data yang digunakan adalah data cinema_before_covid
dengan menceklis cinema_income, tanggal, dan visitor_per_cinema.

19
 Selanjutnya untuk membuat income dan visitor sesudah covid disini kami
menggunakan area stack char lalu data yang digunakan adalah data cinema_after_covid dengan
menceklis cinema_income, tanggal, dan visitor_per_day. Lalu data selanjutnya menggunakan
Data Jakarta dengan menceklis positif aktif.

20
2.1.8 Forecasting
Forecast adalah metode pembuatan Prediksi informasi dengan menggunakan data historis
sebagai informasi utama untuk menentukan Langkah awal untuk melakukan Forecasting
adalah dengan cara memilih icon yang ada di dalam panel Visualization. Pilih bagian yang
berbentuk seperti kaca pembesar (Analytic).

Selanjutnya adalah cari bagian Forecast, lalu dibagian ini kita akan dapat mengatur seberapa
jauh data yang akan kita forecast, sebagai percobaan kami mengatur data yang akan kami
prediksi sejauh 4 bulan, Berikut merupakan Contoh gambar setelah Diprediksi (Forecast)

Setelah Di prediksi, Data 4 bulan yang akan mendatang akan ditampilkan di dalam grafik yang telah
dibuat.

21
2.2 Analisis
Sebuah organisasi dipenuhi dengan berton-ton data. Teknologi yang muncul telah
mengubah cara untuk menangani informasi yang tersedia, membawa cara baru untuk
menentukan dan memahami tren bisnis. Ketersediaan informasi tidak hanya membawa peluang
tetapi juga tantangan. Microsoft Power BI menghadirkan analitik canggih untuk membantu
pengguna mendapatkan wawasan penting dan mengubah data menjadi terobosan dan
memecahkan masalah bisnis. Analitik tingkat lanjut di Power BI membantu pengguna bisnis
untuk memantau indikator kinerja utama secara real time. Ini membantu bisnis untuk
menentukan metrik mana yang mendorong lebih banyak peluang dan kesuksesan. Power BI
menyediakan dasbor yang indah dan interaktif yang memiliki sistem manajemen data yang
kompleks. Ini menggunakan sistem penambangan data & BI untuk mengidentifikasi pola data
dan memiliki banyak fitur yang mendukung analitik tingkat lanjut.

2.2.1 Rangkuman COVID-19

Dapat dilihat di atas diagram kasus positif Covid-19 mengalami peningkatan pada
pertengahan bulan Juni sampai bulan Juli, tetapi dapat dilihat pada bulan Juli bahwa mengalami
penurunan dan peningkatan kasus. Tetapi pada akhir bulan Juni, kasus positif mengalami
penurunan yang drastis sampai awal bulan agustus.

22
2.2.2 Dashboard Bioskop Sebelum Terkena COVID-19

Dapat dilihat pada stacked area chart(diagram garis berwarna biru),

pendapatan(cinema_income) dan pengunjung(visitor_per_cinema) saling berkorelasi antara
satu sama lain. Bulan Agustus memiliki pendapatan tertinggi, yaitu sebanyak 401M, bulan
agustus menyumbang 25,41% dari pendapatan tapi mengalami penurunan pada bulan
berikutnya. Namun penurunan income/pendapatan tersebut masih tergolong wajar mengingat
penurunannya hanya berbeda sekitar 5,68% dari bulan agustus.
Berdasarkan data diatas kita juga mengetahui bahwa rata-rata pengunjung adalah
352.36K orang, stabil diangka 300k-400k pengunjung, dengan pendapatan bioskop mencapai
12.02M perharinya. Mari lihat data setelah covid muncul di Indonesia.

23
2.2.3 Dashboard Bioskop Setelah Terkena COVID-19

Berikut merupakan data setelah covid muncul di Indonesia. Bioskop mengalami penurunan
drastis pada pendapatan(sum_of_cinema_income) dan juga jumlah
pengunjung(Sum_of_visitor_per_day) setelah terdampak Covid-19. Bioskop mengalami
penurunan pengunjung karena kebijakan lockdown yang dilakukan pemerintah. Jumlah visitor
bioskop sangat mempengaruhi income bioskop terlihat dari serasihnya diagram antara
pengunjung dan jumlah income.
Berdasarkan dari visualiasis di atas, pada bulan Juni sampai Agustus, jumlah visitor
terus mengalami penurunan sehingga pendapatan bioskop juga ikut menurun. Namun hal
baiknya adalah terpapar(Positif_Aktif) turun drastis dari 113138 pada tanggal 16 Juli 2021
menjadi 15884 pada tanggal 1 Agustus 2021. Positif aktif mengalami penurunan secara
perlahan dari bulan Agustus sampai bulan September. Tetapi setelah itu di bulan September
mengalami penurunan semakin cepat.
Setelah terjadi penurunan positif aktif, pada awal bulan Agustus pengunjung bioskop
juga mulai meningkat, peningkatan ini terjadi karena pemerintah saat itu telah
memperbolehkan bioskop buka sehingga kenaikan pengunjung terjadi dan tentunya juga diikuti
oleh pendapatan bioskop yang meningkat. Peningkatan ini terjadi secara perlahan hingga pada
bulan September.

24
2.2.4 Perbandingan Bioskop antara Sebelum dan Sesudah COVID-19

Jika dilihat rata – rata pendapatan dan pengunjung bioskop dari sebelum covid-19 dan
setelah covid-19, kita dapat melihat penurunan yang signifikan. Rata – rata pengunjung
bioskop sebelum covid adalah 352.36K dengan rata - rata pendapatan 12.02M. Sedangkan
setelah terkena covid-19, rata – rata pengunjung bioskop menjadi 18.63K dan rata – rata
pendapatan 716.85K. Penurunan pendapatan dan pengunjung bioskop yang terjadi karena
dampak peraturan akibat covid-19 mencapai sekitar 94,1%.
Mengingat pada bulan September pemerintah memberikan kelonggaran PPKM,
sehingga mall sudah diizinkan untuk dibuka kembali. Oleh karena itu, dapat terlihat
peningkatan pengunjung dan pendapatan kembali pada bulan September.
Dapat dibilang peraturan lockdown dari pemerintah ini mempengaruhi pendapatan
bioskop secara signifikan. Namun ada baiknya karena peraturan lockdown, positif aktif ini
mengalami penurunan yang drastis dan terus mengalami penurunan setelahnya. Setelah
penurunan, dengan kelonggaran ppkm dari pemerintah pendapatan dan pengunjung bioskop
mulai dapat meningkat kembali dengan aman. Tentunya peraturan lockdown ini harus diikuti
oleh masyarakat dengan tertib sehingga pendapatan dan pengunjung bioskop baru bisa
meningkat kembali.

25
2.2.5 Forecast

Grafik berwarna biru diatas menampilkan data covid aktif berdasarkan tanggal, terlihat
grafik naik pada awal bulan juli lalu turun ketika mulai pertengahan bulan. Lalu grafik dengan
background abu-abu adalah hasil dari perhitungan forecasting selama kira-kira 4 bulan.
Dari grafik forecast tersebut kita tau bahwa kurva covid masih belum melandai pada
tahun 2022, namun tidak memiliki kenaikan yang signifikan seperti pada awal bulan juni.
Grafik pada forecast tersebut berpotensi untuk turun, kalau kita menggunakan parameter lain
seperti jumlah orang yang sudah mendapat dosis vaksin.

26
 BAB 3
PENUTUP

3.1. Kesimpulan

Setelah melakukan analisa, kita dapat mengambil kesimpulan. Berdasarkan data yang
telah divisualisasikan kita bisa melihat seberapa signifikan perbandingan jumlah visitor &
income sebelum dan sesudah terjadi pandemi COVID-19 terhadap bioskop. COVID-19 sangat
merugikan bioskop di Jakarta bila dilihat berdasarkan data yang menunjukan kemerosotan
visitor dan income.
Berdasarkan data yang ada kita mengetahui bahwa penurunan jumlah visitor selaras
dengan penurunan income dari bioskop, berkurangnya visitor selain dari ketakutan masyarakat
tertular virus, juga terpengaruh oleh peraturan pemerintah yang mengharuskan lockdown
karena banyaknya kasus positif aktif, namun pada bulan september 2021 pemerintah mulai
mengijinkan bioskop untuk buka dengan kapasitas 50% dengan pembatasan dan protokol yang
ketat, hal ini dapat terjadi karena jumlah positif aktif yang sudah menurun sehingga
memungkinkan untuk membuka bioskop kembali dan sejak saat itu visitor dan income bioskop
mulai naik perlahan.
Lalu apakah bioskop di Jakarta dapat bertahan? Jawabannya mungkin iya mungkin
tidak, dari data yang sudah kita tahu bahwa kebijakan membuka bioskop sangat terpengaruh
oleh jumlah positif aktif. Saat ini pemerintah tidak lagi menerapkan lockdown, namun
menggantinya dengan PPKM berlevel. Mulai September ini pemerintah telah memberikan
pelonggaran kegiatan di daerah dengan status level 1, hal tersebut tertuang dalam instruksi
Mentri dalam negeri Nomor 57 Tahun 2021, kapasitas bioskop di daerah PPKM Level 1
maksimal 70%.
Lalu dengan memperediksi angka kenaikan positif aktif dengan metode forecasting,
kami melihat bahwa positif aktif akan mengalami penurunan, penurunan tersebut membawa
dampak baik, mengingat jumlah visitor dan income bioskop sangat terpengaruh oleh kebijakan
PPKM pemerintah berdasarkan jumlah positif aktif. Bila prediksi positif aktif berdasarkan
metode forecasting menunjukan penurunan, maka kemungkinan daerah Jakarta akan
mendapatkan kelonggaran PPKM level 1 dan membuat bioskop dapat membuka kapasitas
sampai dengan 70% sehingga visitor & income meningkat banyak.

27
28