Konsep, Teori, dan Framework Data Analytics

Mata Kuliah

Big Data Analysis

Pertemuan

3 / Minggu 3

CPL

CPMK 1 · CPMK 2 · CPMK 3

Agenda Pertemuan Ini

Teori (75 menit)

Definisi dan jenis Data Analytics
Framework CRISP-DM: 6 fase standar industri
Framework SEMMA: pendekatan SAS Institute
Perbandingan metodologi dan konteks penggunaan

Praktik & Diskusi (75 menit)

Problem-solving berbasis data — alur kerja nyata
Studi kasus: Gojek, Tokopedia, BCA, BRImo
Latihan: peta framework ke kasus bisnis
Diskusi kelompok + preview Pertemuan 4

Tujuan Pembelajaran

Menjelaskan konsep dan jenis-jenis Data Analytics (deskriptif, diagnostik, prediktif, preskriptif)

Memahami setiap fase framework CRISP-DM dan SEMMA beserta output masing-masing fase

Membandingkan metodologi analitik dan memilih pendekatan yang tepat untuk konteks bisnis tertentu

Menerapkan pendekatan problem-solving berbasis data pada studi kasus bisnis digital Indonesia

Topik 1

Konsep & Jenis Data Analytics

Apa Itu Data Analytics?

Definisi: Data Analytics adalah proses sistematis untuk memeriksa, membersihkan, mentransformasi, dan memodelkan data dengan tujuan menemukan informasi yang berguna, menarik kesimpulan, dan mendukung pengambilan keputusan.

Mengapa penting di era Big Data?

Volume data global tumbuh eksponensial — ~120 zettabyte pada 2023 (IDC estimate)
Data tanpa analisis = gudang tanpa inventaris
Keunggulan kompetitif kini berbasis keputusan berbasis bukti (evidence-based)

Konteks bisnis digital Indonesia

Penetrasi internet ~78% populasi (2024, APJII)
Transaksi e-commerce > Rp 500 triliun/tahun
Setiap transaksi digital = rekam jejak data yang bisa dianalisis

Empat Jenis Data Analytics

Jenis	Pertanyaan Utama	Metode Umum	Contoh Bisnis
Deskriptif	Apa yang terjadi?	Statistik deskriptif, dashboard, laporan	Laporan penjualan harian BRImo
Diagnostik	Mengapa terjadi?	Drill-down, korelasi, root-cause analysis	Mengapa konversi Tokopedia turun bulan ini?
Prediktif	Apa yang akan terjadi?	Machine learning, regresi, time-series	Prediksi churn pelanggan Gojek
Preskriptif	Apa yang harus dilakukan?	Optimasi, simulasi, AI rekomendasi	Rekomendasi harga dinamis Traveloka

Organisasi matur biasanya bergerak dari deskriptif → preskriptif seiring kapabilitas dan infrastruktur data mereka berkembang.

Nilai Bisnis di Setiap Level Analitik

Topik 2

Framework CRISP-DM & SEMMA

CRISP-DM: Cross-Industry Standard Process for Data Mining

Dikembangkan 1996 oleh konsorsium industri (SPSS, Teradata, Daimler, NCR). Hingga kini tetap standar de-facto proyek data mining dan analytics global.

Bersifat iteratif — bisa kembali ke fase sebelumnya
Agnostik tools — berlaku untuk Python, R, SAS, maupun Excel
Business-first — dimulai dan diakhiri dengan tujuan bisnis
Digunakan di >65% proyek data analytics profesional (survei KDnuggets 2021)

Fase	Output Utama
1. Business Understanding	Project objectives, success criteria
2. Data Understanding	Data inventory, quality report
3. Data Preparation	Clean dataset siap model
4. Modeling	Model terpilih + parameter
5. Evaluation	Model assessment, go/no-go
6. Deployment	Laporan / sistem produksi

CRISP-DM: Detail Setiap Fase

Business Understanding

Definisikan tujuan bisnis, terjemahkan ke tujuan analitik, buat project plan. Output: Problem statement, KPI sukses.

Data Understanding

Kumpulkan data awal, eksplorasi, identifikasi masalah kualitas. Output: Exploratory Data Analysis (EDA) report.

Data Preparation

Pilih, bersihkan, konstruksi, integrasikan, dan format data. Biasanya 60-70% waktu proyek. Output: Analytical dataset.

Modeling

Pilih teknik, bangun model, atur parameter, uji beberapa skenario. Output: Model + parameter optimal.

Evaluation

Nilai model vs. tujuan bisnis (bukan hanya akurasi teknis). Output: Keputusan go/no-go deployment.

Deployment

Integrasikan ke sistem, dokumentasi, monitoring. Output: Final report / model produksi.

SEMMA: Framework dari SAS Institute

SEMMA = Sample · Explore · Modify · Model · Assess — dikembangkan SAS Institute sebagai panduan praktis data mining.

Fase	Aktivitas Kunci	Perbedaan vs CRISP-DM
Sample	Ambil sampel representatif dari dataset besar	Eksplisit — CRISP-DM tidak menekankan sampling
Explore	Visualisasi, statistik deskriptif, deteksi anomali	Sejajar Data Understanding
Modify	Feature engineering, transformasi, seleksi variabel	Sejajar Data Preparation
Model	Terapkan algoritma statistik / machine learning	Sejajar Modeling
Assess	Evaluasi performa, validasi hasil	Sejajar Evaluation; tidak mencakup Deployment

Perbandingan CRISP-DM vs SEMMA

Dimensi	CRISP-DM	SEMMA
Asal	Konsorsium industri (1996)	SAS Institute (1990-an)
Jumlah fase	6 fase	5 fase
Titik awal	Pemahaman bisnis (Business Understanding)	Data teknis (Sampling)
Mencakup deployment	Ya (Fase 6)	Tidak eksplisit
Sifat iterasi	Sangat iteratif, siklus penuh	Lebih linear
Terbaik untuk	Proyek lintas-fungsi, bisnis & teknis	Proyek teknis focused, rapid prototyping
Adopsi industri	Sangat luas (de-facto standard)	Lebih terbatas (ekosistem SAS)

Topik 3

Problem-Solving Berbasis Data & Studi Kasus Indonesia

Pendekatan Problem-Solving Berbasis Data

Prinsip dasar: Mulailah selalu dari pertanyaan bisnis, bukan dari data yang tersedia. Data adalah alat, bukan tujuan.

Alur kerja problem-solving data:

Define — Artikulasikan masalah bisnis dengan presisi
Measure — Identifikasi metrik dan KPI yang relevan
Analyze — Temukan pola, korelasi, dan root cause
Improve — Rekomendasikan aksi berdasarkan insight
Control — Monitor implementasi dan dampaknya

*Adaptasi dari metodologi Six Sigma DMAIC untuk konteks Data Analytics

Kesalahan umum yang harus dihindari:

Mulai analisis tanpa pertanyaan yang jelas
Mengumpulkan semua data yang mungkin (data hoarding)
Mengacaukan korelasi dengan kausalitas
Membangun model tanpa memahami business context
Mempresentasikan hasil teknis ke stakeholder non-teknis

Studi Kasus: Gojek & Tokopedia

Gojek — Prediksi Permintaan Driver

Masalah: Driver menumpuk di area sepi, area sibuk kekurangan
Framework: CRISP-DM — Business Understanding → model prediktif demand
Data: Histori order, cuaca, event, jam, lokasi GPS real-time
Output: Rekomendasi relokasi driver proaktif (heat map dinamis)
Hasil: Peningkatan efisiensi alokasi, penurunan waktu tunggu pengguna

Tokopedia — Rekomendasi Produk

Masalah: Pengguna berhenti menjelajah tanpa membeli (high bounce rate)
Framework: CRISP-DM dengan iterasi cepat (A/B testing setiap fase)
Data: Histori klik, keranjang belanja, profil pengguna, perilaku sesi
Output: Engine rekomendasi kolaboratif (collaborative filtering)
Hasil: Peningkatan cross-sell dan rata-rata nilai transaksi per sesi

Studi Kasus: BCA & BRImo

BCA — Deteksi Fraud Kartu Kredit

Masalah: Transaksi mencurigakan sulit dideteksi secara manual
Framework: CRISP-DM — penekanan pada fase Evaluation (cost of false positive tinggi)
Data: Histori transaksi, pola penggunaan, lokasi, merchant
Teknik: Anomaly detection + supervised classification
Dampak: Deteksi fraud real-time sebelum transaksi diotorisasi

BRImo — Personalisasi Layanan

Masalah: Nasabah tidak aware terhadap produk yang relevan
Framework: SEMMA (rapid prototyping per segmen nasabah)
Data: Profil nasabah, histori transaksi, pola penggunaan app
Output: Push notification dan penawaran produk yang dipersonalisasi
Dampak: Peningkatan engagement dan cross-selling produk perbankan

Peta Framework ke Konteks Bisnis

Panduan praktis: Tidak ada framework yang selalu terbaik — pilihan tergantung pada tujuan, skala, dan sumber daya proyek.

Konteks Proyek	Framework Disarankan	Alasan
Proyek analytics lintas divisi dengan stakeholder bisnis & teknis	CRISP-DM	Business Understanding memastikan alignment
Rapid prototyping model untuk eksperimen internal	SEMMA	Lebih ringkas, cocok untuk iterasi cepat
Startup dengan data terbatas, keputusan cepat	CRISP-DM (lean versi)	Tetap harus mulai dari pertanyaan bisnis
Proyek enterprise dengan sistem produksi	CRISP-DM	Fase Deployment memastikan implementabilitas
Eksplorasi data awal / EDA	SEMMA (fase S-E-M)	Fokus teknis tanpa overhead proses bisnis

Diagram: Alur CRISP-DM untuk Kasus Bisnis Digital

Rangkuman Pertemuan 3

Key Insight: Framework bukan formalitas — ia adalah peta jalan yang memastikan analitik Anda menjawab pertanyaan bisnis yang tepat dengan cara yang dapat direproduksi.

4 Jenis Analytics: Deskriptif → Diagnostik → Prediktif → Preskriptif — hierarki nilai bisnis yang meningkat
CRISP-DM (6 fase): Standar industri de-facto; dimulai dari Business Understanding; bersifat iteratif; mencakup deployment
SEMMA (5 fase): Pendekatan teknis SAS; lebih ringkas; cocok untuk rapid prototyping analitik

Problem-solving berbasis data: Selalu mulai dari pertanyaan bisnis (Define), bukan dari data yang tersedia
Pilihan framework: Sesuaikan dengan konteks — CRISP-DM untuk proyek lintas-fungsi; SEMMA untuk eksplorasi teknis cepat
Kasus Indonesia: Gojek, BCA, BRImo, Tokopedia telah membuktikan nilai nyata analytics berbasis framework terstruktur

Tugas & Diskusi

Tugas Individu (dikumpulkan P4)

Pilih satu perusahaan digital Indonesia (bukan yang dibahas di kelas)
Identifikasi satu masalah bisnis yang kemungkinan mereka hadapi
Petakan solusi menggunakan framework CRISP-DM (6 fase) — 1-2 halaman
Sertakan: data yang dibutuhkan, jenis analitik yang digunakan, dan output yang diharapkan

Diskusi Kelompok (hari ini)

Skenario: Anda adalah data analyst di platform e-commerce baru. Penjualan drop 30% bulan lalu.
Gunakan CRISP-DM: definisikan Business Understanding untuk masalah ini
Jenis analitik apa yang paling tepat sebagai langkah pertama?
Data apa saja yang perlu Anda kumpulkan di fase Data Understanding?

Pertanyaan & Preview Pertemuan 4

Silakan ajukan pertanyaan tentang materi hari ini — CRISP-DM, SEMMA, jenis analitik, atau studi kasus.

Pertemuan 4: Operasi Tools Data Analytics Dasar

Pengenalan ekosistem tools: Python (Pandas, NumPy), SQL dasar untuk analitik
Eksplorasi data (EDA) praktis: statistik deskriptif & visualisasi awal
Hands-on: bekerja dengan dataset nyata (e-commerce Indonesia)
Koneksi ke CRISP-DM: tools untuk setiap fase