Program Studi Bisnis Digital • FEB

Laboratorium Sains Data

Pertemuan 2 — Siklus Analisis Data

Dari pertanyaan bisnis mentah sampai keputusan berbasis data: enam tahap yang berulang, bukan satu jalur lurus.

RPS MINGGU 2 • 2X50 MENIT

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menjelaskan tahapan siklus analisis data dan mempraktikkan dua perhitungan dasar kualitas data. Secara rinci:

CAPAIAN 1

TAHAPAN

Menjelaskan enam tahap siklus analisis data: pemahaman bisnis, pengumpulan, penyiapan, eksplorasi, pemodelan, dan interpretasi.

CAPAIAN 2

SUMBER DATA

Membedakan data primer vs sekunder dan internal vs eksternal sebagai bahan baku analisis.

CAPAIAN 3

KUALITAS

Menghitung tingkat kelengkapan data dan mendeteksi outlier memakai metode IQR.

CAPAIAN 4

ITERATIF

Memahami mengapa siklus analisis data bersifat berulang, bukan satu kali jalan lurus ke depan.

Studi Kasus: Kenapa Tokopedia Tidak Asal Tebak?

Bayangkan tim data sebuah marketplace seperti Tokopedia melihat penjualan kategori fesyen turun 18% bulan ini. Pimpinan minta jawaban besok pagi. Tanpa siklus yang jelas, tim bisa terjebak tiga jebakan ini:

JEBAKAN 1

ASUMSI

Langsung menyimpulkan "pesaing turunkan harga" tanpa mengecek data — lompat ke kesimpulan.

JEBAKAN 2

DATA KOTOR

Data transaksi punya baris kosong dan duplikat, tapi tetap dianalisis apa adanya.

JEBAKAN 3

SEKALI JALAN

Begitu grafik dibuat, tim berhenti — padahal temuan baru sering butuh putaran ulang.

Siklus analisis data adalah kerangka kerja yang mencegah tiga jebakan ini — memaksa Anda bertanya, memeriksa data, lalu menyimpulkan secara bertahap dan bisa dipertanggungjawabkan.

Saya sengaja membuka dengan kasus nyata dunia bisnis digital karena inilah persis situasi yang akan Anda hadapi kelak sebagai analis. Penjualan turun delapan belas persen adalah sinyal, bukan jawaban — dan tim yang tidak disiplin sering terjebak tiga hal: langsung menebak penyebabnya tanpa bukti, memakai data yang masih kotor penuh baris kosong dan duplikat, atau berhenti setelah satu kali analisis padahal grafik pertama justru memunculkan pertanyaan baru. Perhatikan bagaimana ketiga jebakan ini saling terkait: asumsi buru-buru biasanya muncul karena tim malas memeriksa kualitas data, dan berhenti sekali jalan membuat kesalahan itu tidak pernah terkoreksi. Siklus analisis data yang akan kita pelajari hari ini adalah "SOP" berpikir yang membuat kesimpulan Anda kelak bisa dipercaya oleh atasan atau klien, bukan sekadar tebakan yang kebetulan benar.

Bagian 1 dari 3

Peta Siklus & Tahap Awal

Enam tahap siklus analisis data, lalu dua tahap pertama: memahami masalah bisnis dan mengumpulkan datanya.

Enam Tahap Siklus Analisis Data

Siklus ini digambarkan sebagai lingkaran, bukan garis lurus — tahap terakhir sering memicu Anda kembali ke tahap awal.

Ingat singkatannya: Pahami → Kumpulkan → Siapkan → Eksplorasi → Modelkan → Interpretasi — lalu ulangi bila perlu.

Gambar ini adalah peta besar yang akan menjadi rujukan Anda sepanjang semester. Perhatikan bahwa panah putus-putus dari tahap enam kembali ke tahap satu bukan kebetulan — itulah inti dari kata "siklus". Tahap satu, kita memahami betul pertanyaan bisnisnya, misalnya "mengapa penjualan fesyen turun". Tahap dua, kita kumpulkan data yang relevan, entah dari basis data transaksi internal atau survei eksternal. Tahap tiga, kita bersihkan data itu dari nilai kosong, duplikat, atau format yang salah. Tahap empat, kita eksplorasi datanya dengan statistik deskriptif dan visualisasi sederhana. Tahap lima, kita bangun analisis atau model yang lebih formal. Tahap enam, kita interpretasikan hasilnya dan komunikasikan ke pengambil keputusan — dan seringkali di titik inilah muncul pertanyaan baru yang memaksa kita kembali ke tahap satu.

Tahap 1: Memahami Masalah Bisnis

Tahap ini paling sering diremehkan pemula — padahal kesalahan di sini membuat seluruh analisis salah arah, walaupun perhitungannya benar.

Pertanyaan Wajib Dijawab

Apa keputusan bisnis yang akan diambil dari hasil analisis ini?
Siapa pemangku kepentingan (stakeholder) yang akan memakai hasilnya?
Metrik apa yang jadi tolok ukur keberhasilan?

Contoh: UMKM Kopi "Berkah Jaya"

Pemilik toko kopi online di Shopee ingin tahu kenapa pesanan berulang (repeat order) menurun. Ini bukan sekadar "analisis penjualan" — targetnya spesifik: memahami perilaku pelanggan lama, bukan pelanggan baru.

Jebakan umum: mulai membuka Excel/Python dulu sebelum pertanyaan bisnisnya jelas. Hasilnya analisis "keren" tapi tidak relevan.

Tahap 2: Mengumpulkan Data

Setelah pertanyaan bisnis jelas, Anda memutuskan data apa yang dibutuhkan dan dari mana mengambilnya.

DATA PRIMER

DIKUMPULKAN SENDIRI

Survei kepuasan pelanggan, wawancara, atau log transaksi yang langsung dicatat oleh tim Anda sendiri.

DATA SEKUNDER

SUDAH TERSEDIA

Laporan BPS, data publik Bank Indonesia (BI), atau dashboard internal yang sudah ada, tinggal dipakai ulang.

INTERNAL

DARI DALAM

Basis data transaksi toko, sistem Point of Sale (POS), atau Customer Relationship Management (CRM) perusahaan sendiri.

EKSTERNAL

DARI LUAR

Application Programming Interface (API) media sosial, data cuaca, atau data pesaing dari laporan pihak ketiga.

Tahap kedua ini punya dua sumbu klasifikasi yang wajib Anda kuasai. Sumbu pertama adalah primer versus sekunder: data primer dikumpulkan langsung oleh Anda sendiri untuk tujuan spesifik, misalnya menyebar survei kepuasan pelanggan ke pembeli Berkah Jaya; data sekunder adalah data yang sudah ada dan dikumpulkan pihak lain untuk keperluan lain, seperti laporan Badan Pusat Statistik atau data publikasi Bank Indonesia. Sumbu kedua adalah internal versus eksternal: data internal berasal dari sistem perusahaan sendiri seperti mesin kasir digital atau CRM, sedangkan data eksternal datang dari luar perusahaan, misalnya API media sosial atau data cuaca yang memengaruhi pola belanja online. Dalam praktik, seorang analis data bisnis digital hampir selalu mengombinasikan keempat jenis ini — data transaksi internal dipadukan dengan tren pencarian eksternal untuk mendapat gambaran yang lengkap.

Tahap 3: Menyiapkan & Membersihkan Data

Data mentah jarang langsung siap dianalisis. Praktisi memperkirakan tahap ini menghabiskan ~60-80% waktu sebuah proyek data.

MASALAH 1

HILANG

Sel kosong (missing value) — misalnya kolom harga tidak terisi di sebagian baris.

MASALAH 2

DUPLIKAT

Baris transaksi yang tercatat dua kali akibat kesalahan sistem input.

MASALAH 3

FORMAT

Tanggal tertulis "01/06/2026" di satu baris dan "1 Juni 2026" di baris lain.

Data yang bersih bukan berarti "sempurna" — tujuannya adalah data yang cukup dipercaya untuk mendukung keputusan yang akan diambil di tahap 1.

Coba Sendiri: Isi Nilai Kosong dengan Rata-rata

Ubah angka pada kolom yang punya sel kosong dan lihat bagaimana teknik mean imputation mengisinya secara otomatis.

Hitung dari Nol: Tingkat Kelengkapan Data

Dataset "Toko Berkah" berisi 500 transaksi bulan Juni, dengan 4 kolom wajib: tanggal, harga, jumlah, metode bayar. Saat diperiksa, ditemukan 90 sel kosong.

Langkah	Perhitungan	Nilai
1. Total sel yang wajib terisi	500 baris × 4 kolom	2.000 sel
2. Sel kosong ditemukan	Hasil pemeriksaan langsung	90 sel
3. Sel terisi	2.000 − 90	1.910 sel
4. Tingkat kelengkapan (completeness rate)	1.910 / 2.000 × 100	95,5%

HASIL

95,5%

Data cukup lengkap untuk dianalisis lanjut, tapi 90 sel kosong tetap perlu ditangani (dihapus/diisi rata-rata)

Mari kita hitung bersama, langkah demi langkah, seperti yang akan Anda lakukan sendiri di laboratorium komputer. Pertama, kita tentukan berapa total sel yang seharusnya terisi: lima ratus baris transaksi dikalikan empat kolom wajib sama dengan dua ribu sel. Kedua, saat kita periksa satu per satu, ternyata ada sembilan puluh sel yang kosong. Ketiga, kita kurangkan untuk mendapat sel yang benar-benar terisi, yaitu seribu sembilan ratus sepuluh sel. Keempat, kita bagi sel terisi dengan total sel lalu kalikan seratus persen, dan hasilnya sembilan puluh lima koma lima persen. Angka ini penting karena banyak tim data punya standar minimal, misalnya sembilan puluh persen, sebelum dataset dianggap layak dianalisis lebih lanjut — dan di sinilah Anda mulai berlatih berpikir kuantitatif tentang kualitas data, bukan sekadar menerka "kelihatannya sih lengkap".

Coba Sendiri: Skor Kelengkapan & Kualitas Data

Ubah jumlah baris, kolom, dan sel kosong untuk melihat bagaimana skor kualitas data berubah secara langsung.

Bagian 2 dari 3

Inti Analisis

Mendeteksi data aneh, lalu tiga tahap inti: eksplorasi, pemodelan, dan interpretasi hasil.

Hitung dari Nol: Deteksi Data Aneh (Outlier)

Biaya kirim 8 transaksi "Berkah Jaya" (ribu Rp), sudah diurutkan: 12, 15, 18, 20, 22, 25, 28, 95. Angka 95 terlihat aneh — kita buktikan dengan metode IQR (Interquartile Range, rentang antar-kuartil).

Langkah	Perhitungan	Nilai
1. Kuartil 1 (median separuh bawah: 12,15,18,20)	(15 + 18) / 2	Q1 = 16,5
2. Kuartil 3 (median separuh atas: 22,25,28,95)	(25 + 28) / 2	Q3 = 26,5
3. Rentang antar-kuartil (IQR)	26,5 − 16,5	IQR = 10
4. Batas atas kewajaran	26,5 + (1,5 × 10)	41,5

KESIMPULAN

95 > 41,5

Transaksi dengan biaya kirim Rp95.000 dinyatakan OUTLIER — perlu dicek manual, bukan langsung dihapus

Sekarang kita latihan mendeteksi angka aneh secara matematis, bukan hanya "kelihatannya beda sendiri". Kita punya delapan data biaya kirim yang sudah terurut, dan kita bagi dua: separuh bawah empat angka pertama, separuh atas empat angka terakhir. Kuartil satu adalah median dari separuh bawah, yaitu rata-rata lima belas dan delapan belas sama dengan enam belas koma lima. Kuartil tiga adalah median separuh atas, rata-rata dua puluh lima dan dua puluh delapan sama dengan dua puluh enam koma lima. Selisih keduanya disebut IQR, yaitu sepuluh. Batas atas kewajaran dihitung dengan kuartil tiga ditambah satu koma lima kali IQR, hasilnya empat puluh satu koma lima. Karena sembilan puluh lima jauh melebihi batas ini, transaksi tersebut resmi disebut outlier — mungkin karena kesalahan input, mungkin juga pengiriman ke luar pulau yang memang wajar mahal, dan itulah kenapa outlier harus dicek manual, bukan otomatis dihapus begitu saja.

Coba Sendiri: Deteksi Outlier dengan Metode IQR

Masukkan angka data Anda sendiri dan lihat batas kewajaran IQR terhitung otomatis, lengkap dengan titik mana yang dinyatakan outlier.

Tahap 4: Eksplorasi Data (EDA)

Exploratory Data Analysis (EDA) adalah proses "berkenalan" dengan data lewat ringkasan angka dan gambar sebelum membuat kesimpulan besar.

Statistik Deskriptif

Rata-rata dan median nilai transaksi
Sebaran (standar deviasi) — apakah datanya seragam atau beragam
Nilai minimum & maksimum untuk cek kewajaran

Visualisasi Awal

Histogram — sebaran harga produk terjual
Diagram batang — penjualan per kategori produk
Diagram garis — tren penjualan harian sebulan

EDA bukan tahap "hiasan" — di sinilah pola tersembunyi, tren aneh, atau kelompok pelanggan tertentu biasanya pertama kali terlihat oleh mata.

Setelah data bersih, kita tidak langsung lompat membangun model rumit — kita berkenalan dulu dengan datanya lewat eksplorasi. Statistik deskriptif memberi Anda gambaran cepat: berapa rata-rata dan median nilai transaksi, seberapa beragam datanya lewat standar deviasi, dan apakah ada nilai minimum atau maksimum yang mencurigakan. Visualisasi awal seperti histogram, diagram batang, dan diagram garis membantu mata Anda menangkap pola yang sulit terlihat hanya dari angka, misalnya lonjakan penjualan setiap tanggal gajian atau kategori produk yang mendominasi. Materi EDA ini akan kita bahas jauh lebih mendalam di pertemuan keempat nanti, lengkap dengan praktik langsung memakai Python atau R — hari ini cukup Anda pahami bahwa EDA adalah jembatan penting antara data yang bersih dan model atau analisis yang lebih formal.

Tahap 5: Memodelkan — Empat Jenis Analitik

Bergantung pada pertanyaan bisnis di tahap 1, Anda memilih salah satu (atau kombinasi) dari empat jenis analitik berikut.

DESKRIPTIF

APA YANG TERJADI?

"Penjualan bulan lalu Rp45 juta." Meringkas kejadian masa lalu.

DIAGNOSTIK

KENAPA TERJADI?

"Turun karena promosi pesaing." Mencari sebab dari pola data.

PREDIKTIF

APA YANG AKAN TERJADI?

"Penjualan bulan depan diperkirakan naik 5%." Meramalkan masa depan (materi pertemuan 7–9).

PRESKRIPTIF

APA YANG HARUS DILAKUKAN?

"Naikkan stok kategori X sebesar 20%." Merekomendasikan tindakan.

Tahap pemodelan adalah tempat Anda memilih "alat" analisis yang tepat, dan pilihan itu langsung mengikuti pertanyaan bisnis yang dirumuskan di tahap satu. Analitik deskriptif hanya meringkas apa yang sudah terjadi, misalnya total penjualan bulan lalu. Analitik diagnostik melangkah lebih jauh mencari penyebabnya, misalnya kenapa penjualan turun. Analitik prediktif mencoba meramalkan masa depan berdasarkan pola historis, dan ini akan menjadi fokus besar kita di pertemuan ketujuh sampai kesembilan lewat regresi dan klasifikasi. Analitik preskriptif adalah level tertinggi yang langsung merekomendasikan tindakan konkret, seperti berapa persen stok yang harus ditambah. Semakin tinggi levelnya, semakin kompleks metodenya, tapi juga semakin besar nilai bisnisnya bagi perusahaan seperti Tokopedia atau GoTo.

Tahap 6: Interpretasi & Komunikasi Hasil

Analisis paling canggih pun tidak berguna kalau hasilnya tidak bisa dipahami dan dipercaya oleh pengambil keputusan.

Bukan Sekadar Angka

Ubah angka menjadi cerita (storytelling) yang relevan dengan masalah bisnis
Bandingkan dengan target atau standar industri, bukan angka lepas
Jujur soal batasan analisis — data apa yang belum tercakup

Contoh: Laporan ke Pemilik Berkah Jaya

Bukan: "Repeat order turun 12%."

Tapi: "Repeat order turun 12% karena 60% pelanggan lama tidak dapat notifikasi promo — rekomendasi: aktifkan ulang WhatsApp Business."

Tahap terakhir ini yang paling sering diabaikan mahasiswa yang jago teknis tapi lupa bahwa hasil analisis harus dipakai oleh orang lain, bukan hanya dipahami oleh dirinya sendiri. Kita perlu mengubah angka menjadi cerita yang bermakna, membandingkannya dengan target atau standar industri supaya konteksnya jelas, dan jujur menyampaikan batasan analisis kita, misalnya data yang belum mencakup pelanggan dari kanal lain. Bandingkan dua kalimat di contoh: kalimat pertama hanya melaporkan angka mentah "repeat order turun dua belas persen" yang membuat pemilik toko bingung harus berbuat apa. Kalimat kedua menjelaskan penyebabnya dan langsung memberi rekomendasi tindakan konkret mengaktifkan kembali WhatsApp Business untuk notifikasi promo — inilah bedanya seorang analis data yang bernilai bisnis nyata dengan seseorang yang hanya bisa membuat grafik.

Bagian 3 dari 3

Siklus Berulang & Praktik

Mengapa siklus ini tidak pernah benar-benar "selesai", peran tools, dan latihan kelas hari ini.

Walkthrough: Siklus yang Berputar Ulang

Kasus nyata: tim data GoTo menganalisis alasan pengemudi berhenti aktif. Perhatikan bagaimana mereka kembali ke tahap sebelumnya dua kali.

Langkah	Kejadian	Tindakan
1. Mulai (Tahap 1–4)	Analisis awal: pengemudi berhenti karena "pendapatan rendah"	Lanjut ke pemodelan
2. Temuan janggal	Data ternyata belum memisahkan pengemudi motor vs mobil	Kembali ke Tahap 2 — kumpulkan data tambahan jenis kendaraan
3. Analisis ulang	Setelah dipisah, pola beda: motor berhenti karena jam kerja, mobil karena BBM	Lanjut ke pemodelan lanjutan
4. Interpretasi akhir	Dua rekomendasi berbeda per segmen pengemudi	Kembali ke Tahap 1 — validasi ulang ke tim operasional

Dua kali "kembali" ini bukan kegagalan — justru tanda proses analisis yang disiplin dan jujur terhadap data.

Contoh ini saya ambil dari pola kerja nyata tim data perusahaan berbasis aplikasi seperti GoTo, walau angkanya disederhanakan untuk keperluan kelas. Mereka mulai dengan hipotesis awal bahwa pengemudi berhenti aktif karena pendapatan rendah, sudah sampai tahap pemodelan. Tapi saat memeriksa lebih dalam, mereka sadar data belum memisahkan pengemudi motor dan mobil, sehingga kesimpulannya berpotensi menyesatkan — ini memaksa mereka kembali ke tahap dua untuk mengumpulkan data tambahan. Setelah dipisah, pola yang muncul ternyata berbeda: pengemudi motor lebih sensitif pada jam kerja yang fleksibel, sedangkan pengemudi mobil lebih sensitif pada harga BBM. Setelah interpretasi akhir, mereka bahkan kembali sekali lagi ke tahap satu untuk memvalidasi temuan ini ke tim operasional sebelum diambil keputusan besar. Inilah wujud nyata sifat iteratif yang kita bahas di slide sebelumnya — bukan kelemahan proses, melainkan tanda bahwa tim tersebut disiplin dan tidak puas dengan kesimpulan dangkal.

Peran Tools Sepanjang Siklus

Setiap tahap siklus punya alat bantu yang berbeda — mata kuliah ini akan mengajarkan Anda memakainya secara praktik langsung mulai pertemuan depan.

PENGUMPULAN & PENYIAPAN

EXCEL / SQL

Untuk data berskala kecil-menengah dan query basis data transaksi.

EKSPLORASI & PEMODELAN

PYTHON / R

Bahasa pemrograman untuk analisis statistik dan machine learning — mulai dipraktikkan pertemuan 3.

KOMUNIKASI HASIL

DASHBOARD

Visualisasi interaktif (mis. Power BI/Tableau) untuk presentasi ke non-teknis — dibahas pertemuan 11–12.

Tools hanyalah alat — kerangka berpikir siklus yang Anda pelajari hari ini tetap sama walau alatnya berganti seiring waktu.

Penting untuk Anda pahami sejak awal bahwa siklus analisis data ini bersifat kekal, sementara alat bantunya bisa berganti mengikuti teknologi. Untuk pengumpulan dan penyiapan data, Excel dan SQL masih sangat relevan terutama untuk data berskala kecil-menengah, seperti transaksi UMKM. Untuk eksplorasi dan pemodelan yang lebih dalam, kita akan memakai bahasa pemrograman Python dan R mulai pertemuan ketiga minggu depan — jangan khawatir kalau belum pernah coding sama sekali, kita mulai dari nol. Untuk komunikasi hasil ke pihak non-teknis seperti pemilik UMKM atau direksi perusahaan, dashboard interaktif seperti Power BI atau Tableau menjadi andalan, dan ini akan kita bahas di pertemuan sebelas dan dua belas. Ingat baik-baik: yang Anda pelajari hari ini adalah kerangka berpikirnya, bukan sekadar tombol mana yang harus diklik — kerangka ini akan tetap berguna bahkan kalau nanti muncul tools baru yang belum pernah kita dengar.

Latihan Kelas: Susun Siklusnya!

Sebuah kedai kopi digital "Ngopi Yuk" ingin tahu produk mana yang harus dipromosikan bulan depan. Kerjakan berkelompok (10 menit), lalu presentasikan singkat.

Instruksi

Tuliskan 1 pertanyaan bisnis spesifik (Tahap 1) untuk kasus ini
Sebutkan 2 sumber data yang relevan (primer/sekunder)
Sebutkan 1 masalah kualitas data yang mungkin muncul
Pilih 1 jenis analitik (deskriptif/diagnostik/prediktif/preskriptif) yang paling cocok

DATA YANG TERSEDIA

300 TRANSAKSI

3 bulan terakhir: nama produk, jumlah terjual, harga, tanggal, rating ulasan pelanggan (1–5).

Rangkuman: Cheat Sheet Siklus Analisis Data

Tahap	Pertanyaan Kunci	Output
1. Pahami Bisnis	Keputusan apa yang mau diambil?	Pertanyaan bisnis yang spesifik
2. Kumpulkan Data	Data apa & dari mana?	Dataset mentah
3. Siapkan Data	Apakah data sudah bersih?	Dataset siap analisis (& skor kelengkapan)
4. Eksplorasi (EDA)	Pola apa yang terlihat?	Statistik deskriptif & grafik awal
5. Modelkan	Deskriptif/diagnostik/prediktif/preskriptif?	Model atau analisis formal
6. Interpretasi	Apa artinya bagi bisnis?	Rekomendasi & cerita data

Ingat: siklus ini berputar, bukan garis lurus — kembali ke tahap awal adalah hal normal, bukan kegagalan.

Sebelum kita tutup, mari kita rangkum enam tahap ini sebagai satu tabel yang bisa Anda simpan sebagai contekan pribadi. Setiap tahap punya pertanyaan kunci yang harus Anda jawab dan output konkret yang dihasilkan sebelum melangkah ke tahap berikutnya. Perhatikan bahwa tahap tiga sekarang bukan lagi konsep abstrak bagi Anda — Anda sudah tahu cara menghitung skor kelengkapan datanya secara pasti, seperti latihan completeness rate dan deteksi outlier tadi. Simpan tabel ini di catatan Anda, karena mulai pertemuan ketiga kita akan langsung mempraktikkan tahap dua dan tiga memakai Python dan R di laboratorium komputer. Yang paling penting untuk Anda ingat: kembali ke tahap sebelumnya bukan tanda Anda gagal sebagai analis, justru tanda Anda cukup teliti untuk menyadari ada yang perlu diperbaiki.

Sebelum Pertemuan Berikutnya

Tugas Individu

Unduh 1 dataset publik kecil (mis. dari Kaggle atau data.go.id)
Hitung tingkat kelengkapan data-nya sendiri seperti latihan hari ini
Tulis 1 paragraf pertanyaan bisnis yang bisa dijawab dataset itu
Kumpulkan sebelum pertemuan 3 dimulai

PERTEMUAN 3

DASAR R/PYTHON

Praktik langsung menulis kode pertama Anda untuk memanipulasi data — bawa laptop, pastikan Python/R sudah terinstal.

Sebagai penutup, saya beri satu tugas individu ringan yang langsung menerapkan apa yang kita pelajari hari ini: unduh satu dataset publik kecil, misalnya dari Kaggle atau portal data.go.id milik pemerintah Indonesia, lalu hitung sendiri tingkat kelengkapan datanya persis seperti latihan completeness rate tadi, dan tuliskan satu paragraf pertanyaan bisnis yang relevan dengan dataset tersebut. Kumpulkan tugas ini sebelum pertemuan ketiga dimulai supaya saya bisa memberi umpan balik. Minggu depan kita masuk ke bagian yang paling ditunggu banyak dari Anda: dasar pemrograman R dan Python untuk manipulasi data, jadi pastikan laptop Anda sudah terinstal salah satu atau keduanya sebelum datang ke kelas. Terima Kasih atas partisipasi aktif Anda hari ini, terutama saat latihan menghitung completeness rate dan mendeteksi outlier — dua keterampilan ini akan terus Anda pakai sepanjang semester.