NOMOR 1

Jelaskan mengenai analisis deskriptif, analisis prediktif, dan analisis preskriptif?

Mengapa penting untuk memahami ketiga jenis analisis ini?

- Analisis deskriptif:

Analisis deskriptif adalah suatu metode yang digunakan untuk

mengumpulkan, menganalisis, dan menggambarkan data yang dikumpulkan.

Tujuan dari analisis deskriptif adalah untuk mengidentifikasi pola,

menggambarkan data, dan membuat kesimpulan tentang data yang dikumpulkan.

Analisis deskriptif dapat digunakan untuk mengidentifikasi pola dalam data,

membuat kesimpulan tentang data, dan membuat prediksi tentang data di masa

depan. Analisis deskriptif menggunakan berbagai teknik untuk menganalisis data.

Teknik ini termasuk statistik deskriptif, diagram batang, histogram, dan lainnya.

Statistik deskriptif digunakan untuk menghitung nilai rata-rata, standar deviasi,

nilai minimum dan maksimum, dan lainnya. Diagram batang digunakan untuk

menggambarkan data dengan menggunakan garis vertikal atau horizontal.

Histogram digunakan untuk menggambarkan distribusi data dengan menggunakan

garis horizontal yang berbeda.

Analisis deskriptif dapat digunakan untuk menentukan hubungan antara

variabel. Teknik ini termasuk regresi linear, korelasi, dan analisis faktor. Regresi

linear digunakan untuk menentukan hubungan antara dua variabel. Korelasi

digunakan untuk menentukan hubungan antara lebih dari dua variabel. Analisis

faktor digunakan untuk menentukan hubungan antara variabel yang lebih

kompleks.

Analisis deskriptif juga dapat digunakan untuk menentukan kecenderungan

dalam data. Teknik ini termasuk analisis regresi, analisis kluster, dan analisis
 kontingensi. Analisis regresi digunakan untuk menentukan kecenderungan dalam

data. Analisis kluster digunakan untuk menentukan kelompok data yang berbeda.

Analisis kontingensi digunakan untuk menentukan hubungan antara variabel yang

berbeda.

- Analisis prediktif

Analisis prediktif adalah teknik analisis data yang digunakan untuk

memprediksi kemungkinan hasil masa depan berdasarkan data masa lalu. Teknik

ini menggunakan algoritma kompleks untuk menganalisis data masa lalu dan

membuat prediksi tentang perilaku masa depan. Algoritma ini dapat membantu

perusahaan mengambil keputusan yang lebih tepat dan efektif dengan

memprediksi perilaku pelanggan, tren pasar, dan kinerja produk.

Analisis prediktif dapat digunakan untuk berbagai tujuan, termasuk

memprediksi kemungkinan penjualan, mengidentifikasi pelanggan yang paling

berpotensi, memprediksi kinerja produk, dan mengidentifikasi tren pasar. Teknik

ini juga dapat digunakan untuk mengidentifikasi pelanggan yang berisiko,

mengoptimalkan kampanye pemasaran, dan meningkatkan pengalaman

pelanggan. Analisis prediktif dapat menggunakan berbagai metode, termasuk

regresi, analisis kluster, analisis klasifikasi, dan teknik machine learning.

Algoritma ini dapat mengidentifikasi pola dalam data masa lalu dan membuat

prediksi tentang perilaku masa depan. Teknik ini juga dapat membantu perusahaan

mengambil keputusan yang lebih tepat dan efektif.

- Analisis preskriptif

Analisis preskriptif adalah proses menganalisis data untuk mengidentifikasi

kemungkinan tindakan yang dapat diambil untuk mencapai tujuan tertentu. Ini

berbeda dari analisis deskriptif, yang menggambarkan data saat ini dan
 mengidentifikasi pola yang ada di dalamnya. Analisis preskriptif menggunakan

data dan teknik analisis untuk mengidentifikasi tindakan yang dapat diambil untuk

mencapai tujuan tertentu.

Analisis preskriptif menggunakan berbagai teknik untuk menganalisis data dan

mengidentifikasi tindakan yang dapat diambil untuk mencapai tujuan tertentu.

Teknik ini termasuk simulasi, pemodelan, optimasi, dan analisis prediksi. Simulasi

digunakan untuk memprediksi bagaimana suatu tindakan akan mempengaruhi

hasil di masa depan. Pemodelan digunakan untuk menganalisis data dan

mengidentifikasi pola yang dapat digunakan untuk membuat keputusan. Optimasi

digunakan untuk mencari tindakan yang paling efisien untuk mencapai tujuan

tertentu. Analisis prediksi digunakan untuk memprediksi bagaimana suatu

tindakan akan mempengaruhi hasil di masa depan. Analisis preskriptif dapat

digunakan dalam berbagai situasi, termasuk pemasaran, manajemen sumber daya

manusia, manajemen risiko, dan perencanaan strategis. Teknik ini dapat

membantu organisasi mengidentifikasi tindakan yang dapat diambil untuk

mencapai tujuan tertentu. Ini juga dapat membantu organisasi membuat keputusan

yang lebih tepat dan efisien.

- Mengapa penting?

Analisis deskriptif, prediktif, dan preskriptif merupakan tiga jenis analisis

yang berbeda yang digunakan untuk menganalisis data dan membuat keputusan.

Analisis deskriptif digunakan untuk menggambarkan data, analisis prediktif untuk

memprediksi masa depan, dan analisis preskriptif untuk memberikan

rekomendasi. Memahami ketiga jenis analisis ini penting karena memungkinkan

Anda untuk menggunakan data yang tepat untuk membuat keputusan yang tepat.
 Dengan memahami ketiga jenis analisis ini, Anda dapat mengambil keputusan

yang lebih tepat dan efektif.

NOMOR 2

Contoh studi kasus

a. Analisis deskriptif:

Studi Kasus: Analisis Deskriptif Penggunaan Aplikasi Mobile Banking

Judul : Pengguna BSI "mobile banking" tembus 2,5 juta (Suryanto, 2021)

Latar belakang:

Mobile banking adalah layanan perbankan yang memungkinkan pelanggan untuk

melakukan transaksi keuangan melalui perangkat mobile, seperti smartphone atau

tablet. Mobile banking telah menjadi salah satu layanan perbankan yang paling

populer di seluruh dunia, dan telah menjadi bagian penting dari kehidupan sehari-

hari bagi banyak orang.

Tujuan:

Tujuan dari studi kasus ini adalah untuk menganalisis penggunaan aplikasi mobile

banking oleh pelanggan bank syariah tertentu. Studi ini akan menggunakan

analisis deskriptif untuk mengidentifikasi pola penggunaan aplikasi mobile

banking, untuk melihat kepuasan nasabah dan kualitas layanan.

Metode:

Untuk mencapai tujuan studi ini, data yang relevan akan dikumpulkan dari

pelanggan bank yang telah menggunakan aplikasi mobile banking. Data ini akan

dianalisis dengan menggunakan analisis deskriptif untuk mengidentifikasi pola

penggunaan aplikasi mobile banking.

Hasil:
 Hasil dari studi ini akan menunjukkan pola penggunaan aplikasi mobile banking

oleh pelanggan bank tertentu. Hasil ini akan membantu bank untuk meningkatkan

layanan mobile banking mereka, serta memberikan wawasan tentang bagaimana

pelanggan menggunakan layanan ini.

b. Analisis prediktif

Studi Kasus: Analisis Prediktif untuk Perusahaan Teknologi

Judul : Sadar Akan Perubahan, Teknologi Digital Merevolusi Public

Relations (Maulana, 2023)

Perusahaan teknologi sedang mencari cara untuk meningkatkan efisiensi dan

memaksimalkan keuntungan. Salah satu cara yang mereka lakukan adalah dengan

menggunakan analisis prediktif. Analisis prediktif adalah metode yang digunakan

untuk memprediksi masa depan berdasarkan data masa lalu. Untuk memulai,

perusahaan teknologi harus mengumpulkan data yang relevan. Data ini harus

mencakup informasi tentang penjualan, pembelian, pelanggan, dan lainnya.

Setelah data dikumpulkan, perusahaan harus menggunakan algoritma analisis

prediktif untuk memprediksi masa depan. Algoritma ini akan menganalisis data

masa lalu dan mencari pola yang dapat digunakan untuk memprediksi masa

depan.

Setelah algoritma selesai berjalan, perusahaan akan memiliki prediksi yang

dapat digunakan untuk membuat keputusan bisnis yang lebih baik. Misalnya,

perusahaan dapat menggunakan prediksi untuk menentukan jenis produk yang

akan ditawarkan, jenis promosi yang akan dilakukan, dan lainnya. Dengan

menggunakan analisis prediktif, perusahaan dapat membuat keputusan yang lebih

 tepat dan efisien. Selain itu, analisis prediktif juga dapat digunakan untuk

mengidentifikasi pelanggan potensial. Dengan menganalisis data masa lalu,

perusahaan dapat mengidentifikasi pelanggan yang memiliki kecenderungan

untuk membeli produk atau layanan tertentu. Hal ini akan membantu perusahaan

untuk menargetkan promosi yang lebih efektif dan meningkatkan keuntungan.

Analisis prediktif juga dapat digunakan untuk mengidentifikasi masalah yang

mungkin terjadi di masa depan. Dengan menganalisis data masa lalu, perusahaan

dapat mengidentifikasi masalah yang mungkin terjadi di masa depan dan

mengambil tindakan preventif untuk mencegah masalah tersebut. Dengan

menggunakan analisis prediktif, perusahaan teknologi dapat meningkatkan

efisiensi dan memaksimalkan keuntungan. Dengan menganalisis data masa lalu

dan memprediksi masa depan, perusahaan dapat membuat keputusan yang lebih

tepat dan efisien. Selain itu, analisis prediktif juga dapat membantu perusahaan

untuk menargetkan promosi yang lebih efektif dan mengidentifikasi masalah yang

mungkin terjadi di masa depan

c. Analisis preskriptif

Studi Kasus: Analisis Preskriptif di Perusahaan Retai

Judul : Agya GR Sport Lebih Mahal dari Brio RS, Toyota: Harganya Pantas

Lah (Andika, 2023)

Perusahaan retail PT Toyota Astra Motor memiliki banyak cabang di seluruh

dunia. Mereka menghadapi persaingan yang ketat dari pesaing lokal dan

internasional. Untuk meningkatkan keuntungan dan meningkatkan pangsa pasar,

perusahaan ini telah memutuskan untuk menggunakan analisis preskriptif untuk

membantu mereka mengambil keputusan yang tepat.

Analisis preskriptif adalah metode yang digunakan untuk memprediksi hasil

yang diharapkan dari suatu tindakan atau keputusan. Ini memungkinkan

perusahaan untuk mengidentifikasi tindakan yang akan menghasilkan hasil yang

paling menguntungkan. Untuk memulai proses analisis preskriptif, perusahaan

retail harus mengumpulkan data tentang pasar, pelanggan, dan produk mereka.

Data ini dapat berupa informasi tentang lokasi cabang, jenis produk yang dijual,

harga produk, dan lainnya.

Setelah data dikumpulkan, perusahaan retail dapat menggunakan algoritma

analisis preskriptif untuk memprediksi hasil yang diharapkan dari berbagai

tindakan. Algoritma ini dapat membantu perusahaan mengidentifikasi tindakan

yang akan menghasilkan hasil yang paling menguntungkan.Setelah mengetahui

tindakan yang akan menghasilkan hasil yang paling menguntungkan, perusahaan

retail dapat mengimplementasikan tindakan tersebut. Ini dapat berupa

pengembangan produk baru, penurunan harga, atau strategi pemasaran yang lebih

agresif.

Dengan menggunakan analisis preskriptif, perusahaan retail dapat mengambil

keputusan yang tepat untuk meningkatkan keuntungan dan pangsa pasar. Ini akan

membantu mereka mencapai tujuan jangka panjang mereka dan meningkatkan

kinerja perusahaan.
NOMOR 3

Studi kasus hubungan antara biaya pemasaran dan penjualan produk dan menjelaskan

bagaimana regression analysis dapat digunakan untuk memecahkan masalah bisnis

Studi Kasus:

Perusahaan ABC adalah perusahaan yang bergerak di bidang produksi dan

penjualan produk-produk elektronik. Perusahaan ini ingin mengetahui apakah ada

hubungan antara biaya pemasaran dan penjualan produk.

Untuk menyelesaikan masalah ini, perusahaan ABC menggunakan analisis

regresi. Analisis regresi digunakan untuk menentukan hubungan antara dua variabel,

yaitu biaya pemasaran dan penjualan produk. Untuk melakukan analisis regresi,

perusahaan ABC mengumpulkan data tentang biaya pemasaran dan penjualan produk

selama beberapa bulan. Data ini kemudian dimasukkan ke dalam model regresi yang

akan menghasilkan koefisien regresi. Koefisien regresi menunjukkan seberapa besar

pengaruh biaya pemasaran terhadap penjualan produk. Hasil analisis regresi

menunjukkan bahwa ada hubungan positif antara biaya pemasaran dan penjualan

produk. Hal ini berarti bahwa semakin tinggi biaya pemasaran, semakin tinggi pula

penjualan produk.

Berdasarkan hasil analisis regresi, perusahaan ABC dapat mengambil

keputusan yang tepat untuk meningkatkan penjualan produk. Perusahaan dapat

meningkatkan biaya pemasaran untuk meningkatkan penjualan produk. Dengan

 demikian, analisis regresi telah membantu perusahaan ABC memecahkan masalah

bisnisnya.

NOMOR 4

Visualisasi data adalah proses menggambarkan data dengan menggunakan grafik,

diagram, dan diagram batang. Ini membantu orang memahami data dengan cara yang lebih

mudah dan cepat. Visualisasi data juga dapat membantu menemukan pola dan hubungan yang

tidak terlihat sebelumnya. Oleh karena itu, visualisasi data dalam bisnis memiliki peran yang

penting karena memberikan cara mudah untuk mengidentifikasi pola, menemukan hubungan,

dan memahami informasi yang lebih kompleks. Visualisasi data juga dapat membantu

meningkatkan efisiensi bisnis, meningkatkan pemahaman tentang informasi, dan membantu

mengambil keputusan yang lebih baik. Sehingga, pada akhirnya juga dapat membantu

meningkatkan kinerja bisnis dengan memungkinkan pembuat keputusan untuk melihat

informasi secara lebih jelas dan mengambil keputusan yang lebih tepat.

3 alasan dan contoh bagaimana visualisasi data dapat membantu dalam pengambilan

keputusan bisnis

No Alasan Penjelasan

1. Memudahkan Visualisasi data membantu menyederhanakan informasi yang

Pengambilan kompleks dan membuatnya lebih mudah dipahami. Dengan

 Keputusan memvisualisasikan data, Anda dapat melihat pola dan hubungan

yang tidak terlihat sebelumnya. Contoh:

Sebuah perusahaan mungkin menggunakan grafik batang untuk

menggambarkan jumlah penjualan produk mereka dari waktu ke

waktu. Ini memungkinkan manajemen untuk melihat pola

penjualan dan mengambil keputusan berdasarkan informasi ini.

2. Membantu Visualisasi data membantu menyederhanakan informasi yang

Memahami Data kompleks dan membuatnya lebih mudah dipahami. Contoh:

Sebuah perusahaan mungkin menggunakan peta untuk

menggambarkan jumlah pelanggan mereka di berbagai wilayah.

Ini memungkinkan manajemen untuk melihat pola distribusi

pelanggan dan mengambil keputusan berdasarkan informasi ini.

 3. Membantu Visualisasi data membantu membandingkan data yang berbeda

Membandingkan dalam satu tampilan. Contoh:

Data

Sebuah perusahaan mungkin menggunakan diagram garis untuk

membandingkan jumlah penjualan produk mereka di berbagai

wilayah. Ini memungkinkan manajemen untuk melihat

perbedaan penjualan dan mengambil keputusan berdasarkan

informasi ini.

NOMOR 5

5V's adalah lima karakteristik dasar yang dimiliki oleh Big Data. Ini adalah Volume,

Velocity, Variety, Veracity, dan Value.

No. Komponen 5V Keterangan

1. Volume Komponen volume dalam Big Data adalah ukuran jumlah data

yang dikumpulkan dan digunakan untuk analisis. Volume

komponen Big Data dapat mencakup jumlah data yang

dikumpulkan, jumlah data yang dianalisis, jumlah data yang

disimpan, dan jumlah data yang ditransfer. Volume komponen Big

Data dapat meningkat dengan cepat karena ketersediaan data yang

 semakin banyak dan ketersediaan teknologi yang semakin baik.

Volume komponen Big Data dapat mencakup data yang berasal

dari berbagai sumber, seperti data yang berasal dari sistem

manajemen basis data, data yang berasal dari aplikasi, data yang

berasal dari sensor, dan data yang berasal dari media sosial.

Volume komponen Big Data dapat meningkat dengan cepat karena

ketersediaan data yang semakin banyak dan ketersediaan teknologi

yang semakin baik. Volume komponen Big Data dapat

meningkatkan kemampuan analisis dan membantu dalam

mengambil keputusan yang lebih baik.

2. Velocity Velocity adalah salah satu komponen dari Big Data yang mengacu

pada:

- kecepatan data yang diterima, diolah, dan disimpan.

- kecepatan data yang ditransfer antara sistem.

- kecepatan data yang dianalisis dan ditampilkan.

- kecepatan data yang dikirimkan ke pengguna.

- kecepatan data yang dikirimkan ke sistem lain.

- kecepatan data yang dikirimkan ke penyimpanan.

3. Variety Variety adalah salah satu komponen dari big data yang mengacu

pada jenis data yang tersedia. Komponen ini mengacu pada jenis

data yang dapat digunakan untuk mengumpulkan informasi yang

dibutuhkan. Jenis data yang dapat digunakan dalam big data dapat

berupa data struktur, data semi-struktur, dan data tidak terstruktur.

Data struktur adalah data yang tersimpan dalam format tabel yang

dapat dengan mudah dianalisis. Data semi-struktur adalah data

 yang tersimpan dalam format yang lebih fleksibel seperti XML,

JSON, dan lainnya. Data tidak terstruktur adalah data yang

tersimpan dalam format yang lebih tidak terstruktur seperti teks,

gambar, video, dan lainnya. Dengan menggunakan berbagai jenis

data ini, organisasi dapat mengumpulkan informasi yang lebih

akurat dan relevan.

4. Veracity Veracity adalah salah satu dari 5V dalam big data yang mengacu

pada keandalan dan keabsahan data. Veracity mengacu pada

kualitas data yang tersedia, termasuk aspek keakuratan,

kompleksitas, dan ketepatan waktu. Veracity juga mengacu pada

kualitas data yang dapat dipercaya dan dapat diandalkan. Veracity

dapat membantu mengurangi risiko yang terkait dengan data yang

tidak akurat atau tidak dapat diandalkan. Veracity juga dapat

membantu meningkatkan kepercayaan dan keandalan data yang

digunakan untuk mengambil keputusan.

5. Value Value adalah nilai yang dihasilkan dari data yang dikumpulkan.

Nilai ini dapat berupa informasi yang berguna untuk membuat

keputusan yang tepat. Dengan menggunakan Big Data, organisasi

dapat mengumpulkan data dari berbagai sumber dan

menganalisisnya untuk menemukan wawasan baru yang berguna.

Dengan mengetahui informasi yang tepat, organisasi dapat

mengambil keputusan yang tepat dan meningkatkan produktivitas,

efisiensi, dan keuntungan.

Figure 1 katadata.co.id

Judul artikel : Cara Gojek Kelola dan Manfaatkan Data, dari Pengguna untuk Pengguna

(Setyowati, 2021).

Gojek adalah aplikasi yang menyediakan berbagai layanan seperti antar makanan,

transportasi, layanan keuangan, dan lainnya. Aplikasi ini telah menggunakan Big Data untuk

memecahkan masalah bisnis. Big Data memungkinkan Gojek untuk mengumpulkan data

yang berkaitan dengan pengguna, layanan, dan pembayaran. Data ini kemudian dianalisis

untuk mengidentifikasi pola dan tren yang dapat digunakan untuk membuat keputusan bisnis

yang lebih baik.

 memungkinkan Gojek untuk meningkatkan pengalaman pengguna dengan

menyediakan layanan yang lebih cepat dan lebih efisien. Big Data juga memungkinkan Gojek

untuk meningkatkan efisiensi operasional dengan mengidentifikasi pola dan tren yang dapat

digunakan untuk mengoptimalkan layanan. Big Data juga memungkinkan Gojek untuk

meningkatkan keamanan dengan menganalisis data untuk mengidentifikasi penipuan dan

kegiatan ilegal. Big Data juga memungkinkan Gojek untuk meningkatkan pendapatan dengan

menganalisis data untuk mengidentifikasi peluang bisnis yang dapat dimanfaatkan.

 DAFTAR PUSTAKA:

Andika, M. L. (2023). Agya GR Sport Lebih Mahal dari Brio RS, Toyota: Harganya Pantas Lah. 20Detik.

Maulana, S. (2023). Sadar Akan Perubahan, Teknologi Digital Merevolusi Public Relations.
Kompasiana.Com.
https://www.kompasiana.com/syehanmaulana4493/641c035a08a8b57830261364/sadar-akan-
perubahan-teknologi-digital-merevolusi-public-relations

Setyowati, D. (2021). Cara Gojek Kelola dan Manfaatkan Data, dari Pengguna untuk Pengguna.
Katadata.Co.Id. https://katadata.co.id/desysetyowati/digital/60d4535f0acb9/cara-gojek-kelola-dan-
manfaatkan-data-dari-pengguna-untuk-pengguna

Suryanto. (2021). Pengguna BSI “mobile banking” tembus 2,5 juta . ANTARA.
https://www.antaranews.com/berita/2297578/pengguna-bsi-mobile-banking-tembus-25-juta