TUGAS MATA KULIAH ANALITIKA DATA

Disusun Oleh:

Ari Hanggara (21020001)

Nosra Iwan Perala (21020015)

Natanael Yeru Untu (21020000)

Maysya Citra Ayudyaningrum (21020017)

Nurul Hanifah (21020018)

Priyo Yuda Abadi (21020021)

PROGRAM STUDI TEKNIK INDUSTRI

INSTITUT TEKNOLOGI DIRGANTARA ADISUTJIPTO
YOGYAKARTA
2023
 1. Apa yang anda ketahui tentang data? Jelaskan.
2. Apa beda data dan informasi? Jelaskan.
3. Apa yang anda ketahui tentang Big Data Value Chain? Jelaskan
4. Jelaskan perbedaan data kuantitatif dan data kualitatif, serta perbedaan
analisisnya.
5. Sebutkan sebanyak mungkin analisis data statistik yang anda ketahui.
JAWABAN
1. Data merupakan kumpulan fakta, angka, atau informasi lain yang tersusun atau
direkam dalam bentuk yang bisa diolah atau diartikan oleh manusia atau mesin. Data
bisa berupa angka, teks, gambar, suara, atau jenis lainnya dan bisa didapatkan dari
berbagai sumber seperti database, dokumen, dan sistem informasi lainnya.
Data dapat dihimpun dan dimanfaatkan untuk beragam tujuan, antara lain untuk
melakukan analisis, membuat keputusan, mengembangkan strategi bisnis, dan
menyampaikan informasi pada pengguna akhir. Data juga dapat diolah menggunakan
algoritma dan teknologi lainnya untuk menghasilkan informasi dan pengetahuan baru.
Dalam pengolahan data, terdapat beberapa konsep penting yang harus dipahami,
seperti Data Cleansing, yaitu proses membersihkan data dari kesalahan atau duplikasi
agar data bisa digunakan dengan tepat. Ada pula Data Mining, yang merupakan
proses mengidentifikasi pola dan tren dalam data untuk mendapatkan wawasan baru.
Kemudian, ada Big Data, istilah yang digunakan untuk menggambarkan volume
besar, kecepatan, dan keragaman data yang dihasilkan oleh organisasi atau sumber
data lainnya. Terakhir, ada Data Warehouse, yaitu sistem yang digunakan untuk
mengumpulkan, mengelola, dan menyimpan data dalam jumlah besar untuk analisis
dan pengolahan selanjutnya.
Pemahaman konsep-konsep ini penting dalam pengolahan data karena dapat
membantu dalam membuat keputusan yang lebih baik dan mengoptimalkan
penggunaan data dalam berbagai bisnis atau konteks lainnya.

2. Data dan informasi adalah dua konsep yang berbeda, meskipun keduanya
berhubungan erat. Data dapat dianggap sebagai bahan mentah yang diperoleh dari
berbagai sumber dan kemudian diolah menjadi informasi yang lebih berguna.
Data adalah kumpulan fakta, angka, atau informasi lainnya yang diorganisir atau
direkam dalam format yang dapat diproses atau diinterpretasikan oleh manusia atau
mesin. Data belum diolah menjadi informasi dan tidak memiliki konteks yang jelas.
Contohnya adalah angka-angka yang disimpan dalam database, namun belum diolah
menjadi informasi yang berguna. Sementara itu, informasi adalah hasil dari
pengolahan data yang disajikan dalam bentuk yang berguna dan memiliki konteks
yang jelas. Informasi memberikan pemahaman yang lebih baik tentang suatu topik
dan membantu pengguna untuk membuat keputusan yang lebih baik atau untuk
melakukan tindakan yang lebih efektif. Contohnya, jika kita mengolah data tentang
penjualan suatu produk, informasi yang dihasilkan bisa berupa grafik penjualan yang
menunjukkan tren penjualan suatu produk selama periode waktu tertentu. Dalam
pengolahan data, data diolah menjadi informasi melalui beberapa tahapan, seperti
pembersihan data, penggalian data, analisis data, dan visualisasi data. Tujuan dari
 pengolahan data adalah untuk mengubah data mentah menjadi informasi yang lebih
berguna dan berguna untuk pengguna akhir.
Dalam kesimpulannya, data dan informasi adalah dua konsep yang berbeda, meskipun
keduanya berhubungan erat. Data adalah bahan mentah yang belum diolah, sementara
informasi adalah hasil dari pengolahan data yang disajikan dalam bentuk yang
berguna dan memiliki konteks yang jelas.

3. Big Data Value Chain (rantai nilai data besar) adalah konsep yang menggambarkan
serangkaian tahapan atau aktivitas yang diperlukan untuk menghasilkan nilai dari data
besar. Konsep ini mencakup empat tahap utama, yaitu:
- Akuisisi data: tahap pertama dalam rantai nilai data besar adalah akuisisi data, di
mana data dikumpulkan dari berbagai sumber. Sumber data dapat berasal dari
berbagai sumber, termasuk perangkat Internet of Things (IoT), media sosial, dan
sensor. Data juga dapat diperoleh melalui pengumpulan data internal organisasi.
- Penyimpanan data: tahap berikutnya dalam rantai nilai data besar adalah
penyimpanan data. Data yang dikumpulkan harus disimpan dalam basis data atau
sistem penyimpanan yang dapat menangani volume besar data yang dihasilkan.
Penyimpanan data yang tepat sangat penting untuk memastikan keamanan,
keandalan, dan ketersediaan data.
- Analisis data: setelah data disimpan, tahap selanjutnya adalah analisis data, di
mana data dianalisis untuk mendapatkan informasi yang berguna. Analisis data
melibatkan penggunaan algoritma dan teknik analitis untuk mengidentifikasi pola
dan tren dalam data. Tujuan analisis data adalah untuk mendapatkan wawasan
yang berguna dan memungkinkan pengambilan keputusan yang lebih baik.
- Visualisasi data: tahap terakhir dalam rantai nilai data besar adalah visualisasi
data, di mana hasil analisis data disajikan dalam bentuk yang mudah dimengerti
oleh pengguna akhir. Visualisasi data dapat berupa grafik, diagram, atau laporan
yang memungkinkan pengguna untuk melihat dan memahami informasi yang
dihasilkan dari analisis data. Penerapan rantai nilai data besar dapat membantu
organisasi untuk menghasilkan nilai dari data besar yang mereka miliki. Dalam
mengembangkan strategi rantai nilai data besar, organisasi harus
mempertimbangkan sumber data yang tepat, penyimpanan data yang aman dan
andal, teknik analisis data yang sesuai, dan visualisasi data yang tepat untuk
pengguna akhir.

4. Data kualitatif adalah data yang bersifat deskriptif, tidak terstruktur, dan biasanya
berupa kata-kata. Sementara data kuantitatif merupakan informasi yang bisa diberi
nilai numerik/diukur. Jika data kuantitatif bisa dianalisis menggunakan analisis
statistik, data kualitatif tidak bisa melakukan itu. Data kualitatif adalah informasi yang
berbentuk deskriptif dan tidak bisa diukur dengan angka. Sementara dara kuantitatif
adalah sekumpulan informasi yang bisa diukur, dihitung, dan dibandingkan pada skala
numerik.
- Teknik Pengumpulan Datanya
Metode analisis data kuantitatif dan kualitatif memiliki teknik pengumpulan data
yang berbeda. Pada metode analisis data kuantitatif, teknik pengumpulan data
yang umum digunakan yaitu kuesioner, wawancara terencana, observasi, survei,
 dan menggunakan data statistik yang diperoleh dari pihak ketiga misalnya dari
Badan Pusat Statistik. Sedangkan pada metode analisis data kualitatif, teknik
pengumpulan datanya yaitu bisa dengan melakukan wawancara secara mendalam,
observasi, studi dokumen, dan teknik triangulasi. Teknik triangulasi dilakukan
dengan cara mengumpulkan data dari berbagai sumber yang menggunakan
metode yang sama.
- Penggunaan Metode Analisis Data
Dalam menerapkan metode analisis data, kita harus memahami terlebih dahulu
data yang kita miliki dan tujuan dilakukannya penelitian. Seperti yang sudah
disebutkan sebelumnya, metode analisis data kuantitatif berkaitan dengan data
numerik, sedangkan metode analisis data kualitatif untuk data berbentuk teks atau
narasi. Ketika melakukan penelitian yang mengandung objektivitas, metode
analisis kuantitatif cocok digunakan. Metode analisis kuantitatif memerlukan
perhitungan matematika dan statistik secara akurat. Sedangkan ketika melakukan
penelitian yang memerlukan pendekatan data yang bersifat subyektif, maka
metode analisis data kualitatif adalah yang paling cocok. Metode analisis kualitatif
memerlukan kemampuan interpretasi data yang baik oleh peneliti. Metode ini
bersifat subyektif karena penelitian mengandung pemahaman masing-masing
individu. 
- Pilihan Metode Analisis Data
Pada metode analisis data kuantitatif dibagi lagi menjadi beberapa metode yang
dapat digunakan berdasarkan tujuan penelitian, yaitu sebagai berikut:
a) Analisis deskriptif adalah metode yang digunakan untuk menyajikan data
secara deskriptif dan apa adanya. Biasanya teknik statistik yang digunakan
yaitu antara lain mean, median, skewness, dan simpangan baku dan varians. 
b) Analisis inferensial adalah metode yang menggunakan rumus tertentu. Hasil
dari perhitungan tersebut menjadi dasar untuk generalisasi dan pengambilan
keputusan. Teknik statistik biasanya menggunakan uji-T, ANOVA, korelasi,
dan regresi.
Metode analisis data kualitatif juga dibagi menjadi beberapa metode yang dapat
digunakan yaitu sebagai berikut:
a) Analisis wacana adalah metode yang digunakan untuk menganalisis interaksi
manusia dan berfokus pada konteks sosial yang mana terjadi komunikasi
antara responden dan peneliti.
b) Analisis konten adalah metode yang digunakan ketika dalam penelitian perlu
memahami tema dalam data kualitatif secara keseluruhan. Pengkodean data
dalam metode ini  menggunakan warna atau ide tertentu dalam menemukan
rangkaian data yang paling umum. 
c) Analisis naratif adalah metode yang berfokus pada cara penyampaian ide ke
seluruh pihak terkait. Dengan teknik ini akan membantu dalam memahami
kultur perusahaan.

- Metode Analisis Data Gabungan

Selain metode analisis data kuantitatif dan kualitatif, terdapat metode analisis
gabungan atau disebut juga dengan mixed-methods. Penelitian dengan metode ini
 menggabungkan metode analisis kuantitatif dan kualitatif secara sekuensial
ataupun sebaliknya. Kedua metode digabungkan untuk menyimpulkan pertanyaan
dalam penelitian. Karakteristik dari penelitian gabungan ini yaitu tujuan penelitian
digunakan untuk menjawab pertanyaan penelitian yang kurang terjawab dengan
hanya menggunakan satu metode saja, pertanyaan penelitian yang mencakup hal-
hal kuantitatif dan kualitatif, dan filosofi penelitian yang bersifat praktis dan
terapan. Adapun jenis penelitian gabungan terdiri atas penelitian pengembangan
model atau instrumen, penelitian evaluasi program, penelitian kebijakan, dan
penelitian tindakan.

5. Berdasarkan hasilnya data analytics terbagi menjadi tiga jenis yaitu deskriptif
analytics , predictive analytics , dan prescriptive analytics
1. Analitik deskriptif adalah proses analitik data untuk mendapatkan gambaran
umum dari data yang sudah dikumpulkan. Ini adalah model yang akan membantu
memahami apa yang terjadi dan mengapa. Contoh dari analisis deskriptif adalah
Google Analytics . Pada Google Analytics hanya bisa melihat informasi sederhana
seperti ada berapa jumlah pengunjung per satuan waktu, halaman mana saja yang
paling sering dikunjungi. Analisis deskriptif tidak menampilkan prediksi halaman
apa yang akan dikunjungi pengunjung berikutnya atau mengapa seorang
pengunjung mengunjungi suatu halaman.
2. Analitik prediktif adalah analitik data yang memberikan hasil prediksi tentang
sesuatu yang akan datang dengan peningkatan daya pemrosesan dengan
kemampuan menjalankan ratusan atau ribuan model dengan cepat dan adopsi
teknik prediktif seperti mesin vektor dukungan , jaringan saraf dan hutan acak .
Model-model ini menggunakan data masa lalu dan prediksi algoritma untuk
membantu dalam menentukan probabilitas dari apa yang akan terjadi berikutnya.
Contohnya adalah sistem rekomendasi yang dipakai di situs e-commerce Dari data
pengunjung dan pembelian, maka bisa diperkirakan barang apa saja yang
pengunjung sekiranya tertarik untuk membeli. Pada analitikjenis ini mulai
diperlukan machine learning untuk menyembunyikan data yang telah
dikumpulkan sehingga tidak bisa langsung melakukan operasi penjumlahan atau
rata-rata seperti pada descriptive analytics .
3. Analitik preskriptif adalah proses analitik yang menghasilkan jawaban atas
pertanyaan mengapa sesuatu akan terjadi serta memberikan saran terhadap kondisi
yang kemungkinan akan terjadi di masa yang akan datang. Kunci untuk analitik
preskriptif adalah mampu menggunakan data besar, data kontekstual, dan banyak
daya pemrosesan untuk menghasilkan jawaban secara real time . Karena
kemampuan inilah prescriptive analytics sangat diperlukan oleh manajemen
tingkat atas dalam mengambil keputusan. Dalam prosesnya cukup sulit untuk
membuat sistem yang menggunakan preskriptif analytics mengingat algoritmanya
harus benar-benar dapat melihat yang tak terlihat dari hasil analyticsSelain itu
juga mempertimbangkan semua opsi untuk pengambilan keputusan. Untuk
mencapai hal ini machine learning sudah pasti menjadi hal yang mutlak
digunakan.
 PERAN ANGGOTA
NAMA PERAN
Ari Hanggara Mengerjakan soal nomor 1 dan 2
Nosra Iwan Perala Mengerjakan soal nomor 1 dan 2
Natanael Yeru Untu Mengerjakan soal nomor 3
Maysya Citra Ayudyaningrum Mengerjakan soal nomor 3, 4, dan 5
Nurul Hanifah Mengerjakan soal nomor 1, 2, dan 3
Priyo Yuda Abadi Mengerjakan soal nomor 3, 4, dan 5
Dan menyusun laporan