Program Studi Bisnis Digital • FEB UNDIP

Laboratorium Sains Data

Pertemuan 4 — Eksplorasi Data Awal (EDA): Statistik Deskriptif & Visualisasi

Sebelum membangun model apa pun, seorang analis data harus dulu "berkenalan" dengan datanya — lewat angka ringkas dan gambar yang bicara.

RPS MINGGU 4 • 2X50 MENIT

Selamat datang kembali di Laboratorium Sains Data. Tiga pertemuan lalu Anda sudah mengenal konsep dasar data science dan big data, memahami siklus analisis data, lalu mulai praktik dasar pemrograman R/Python untuk memanipulasi data mentah — sekarang saatnya kita masuk ke tahap yang selalu dilakukan analis profesional sebelum membangun model apa pun, yaitu Eksplorasi Data Awal atau EDA. Bayangkan Anda baru menerima data transaksi harian sebuah UMKM di Tokopedia, atau data harga saham BBCA dari Bursa Efek Indonesia — sebelum buru-buru membuat model prediksi, Anda wajib dulu memahami bentuk datanya lewat angka ringkas seperti rata-rata dan sebaran, serta lewat grafik seperti histogram dan boxplot. Hari ini kita akan belajar statistik deskriptif dasar, cara membaca berbagai jenis visualisasi, dan cara mengenali data yang mencurigakan atau anomali. Siapkan laptop Anda karena kita akan langsung menghitung dan membaca grafik bersama-sama.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda mampu:

TUJUAN 1–2

Menjelaskan peran EDA dalam siklus analisis data dan menghitung ukuran pemusatan (mean, median, modus).
Menghitung ukuran sebaran data (range, variansi, standar deviasi, IQR) dari data mentah.

TUJUAN 3–4

Membaca dan memilih visualisasi data yang tepat: histogram, boxplot, scatter plot, bar/line chart.
Mengenali anomali/outlier pada data bisnis dan menjelaskan dampaknya terhadap analisis.

Konteks: seluruh contoh hari ini memakai data khas bisnis digital Indonesia — penjualan harian UMKM, rating pelanggan marketplace, dan pergerakan saham di BEI.

Empat tujuan ini saling menopang: kita mulai dari cara meringkas ratusan atau ribuan angka menjadi beberapa nilai yang mudah dipahami lewat ukuran pemusatan, lalu melengkapi gambaran itu dengan ukuran sebaran supaya Anda tahu seberapa beragam datanya, kemudian belajar menuangkan semua itu ke dalam grafik yang mudah dibaca, dan terakhir melatih kepekaan mengenali data yang aneh atau tidak wajar. Dalam pekerjaan nyata di bisnis digital, kemampuan ini dipakai setiap hari — misalnya saat tim marketing Tokopedia ingin tahu apakah kenaikan penjualan minggu ini wajar atau ada transaksi mencurigakan, atau saat analis di sekuritas memeriksa apakah pergerakan harga saham BBCA hari ini normal atau di luar kebiasaan. EDA bukan langkah opsional, melainkan fondasi wajib sebelum Anda melangkah ke klastering di pertemuan berikutnya, karena model apa pun yang dibangun di atas data yang belum dipahami berisiko menghasilkan kesimpulan yang menyesatkan.

Bagian 1

Statistik Deskriptif — Meringkas Data Lewat Angka

Ukuran pemusatan dan ukuran sebaran: dua alat dasar untuk "meringkas" ribuan baris data menjadi beberapa angka yang bermakna.

Mengapa EDA Penting Sebelum Analisis Lanjutan?

Bayangkan tim data sebuah UMKM fesyen di Tokopedia langsung membangun model prediksi penjualan tanpa memeriksa datanya dulu.

TANPA EDA

Tidak sadar ada hari dengan penjualan 90 unit yang jauh di luar kebiasaan (mungkin salah input, mungkin flash sale).
Model dibangun di atas asumsi data "normal" yang keliru.

DENGAN EDA

Statistik & grafik langsung menunjukkan titik data yang mencurigakan.
Analis bisa investigasi dulu sebelum data dipakai untuk keputusan bisnis.

EDA adalah "pemeriksaan kesehatan data" sebelum data dipakai untuk keputusan penting — melewatinya sama seperti mengoperasi pasien tanpa diagnosis dulu.

Data Contoh: Penjualan Harian Toko Online (7 Hari)

Dataset ini akan kita pakai berulang kali hari ini untuk statistik deskriptif maupun visualisasi.

UNIT TERJUAL PER HARI — TOKO "BERKAH UMKM"

Senin=12 Selasa=13 Rabu=14 Kamis=15 Jumat=16 Sabtu=18 Minggu=90

Perhatikan angka hari Minggu: 90 unit, jauh lebih tinggi dari hari-hari lain. Simpan dulu kecurigaan ini — kita akan buktikan lewat statistik dan grafik di slide-slide berikutnya.

Data ini sengaja dibuat sederhana, hanya tujuh angka, supaya Anda bisa menghitung sendiri dengan tangan sambil mengikuti slide, tetapi pola yang muncul di sini persis seperti pola yang akan Anda temui di data nyata beromzet ratusan atau ribuan baris. Enam hari pertama menunjukkan penjualan yang naik perlahan dan wajar dari dua belas ke delapan belas unit, tetapi hari Minggu tiba-tiba melonjak ke sembilan puluh unit. Ini bisa jadi kabar baik, misalnya toko sedang mengadakan flash sale atau gajian nasional yang mendorong belanja, tetapi bisa juga tanda kesalahan input data atau bahkan transaksi yang perlu diperiksa lebih lanjut. Sepanjang pertemuan ini kita akan memakai alat statistik dan visual untuk membuktikan bahwa angka ini memang berbeda secara matematis, bukan sekadar perasaan Anda saja.

Ukuran Pemusatan: Mean, Median, Modus

Tiga cara berbeda untuk menjawab "di sekitar angka berapa data ini berkumpul?"

MEAN (RATA-RATA)

Jumlah semua nilai dibagi banyaknya data. Sensitif terhadap nilai ekstrem/outlier.

MEDIAN

Nilai tengah setelah data diurutkan. Tahan terhadap outlier — glos: robust.

MODUS

Nilai yang paling sering muncul. Cocok untuk data kategorikal (mis. kota asal pelanggan).

Aturan praktis: kalau data punya outlier yang mencolok, median lebih dipercaya daripada mean untuk menggambarkan "nilai khas".

Tiga ukuran ini sering dianggap saling menggantikan padahal masing-masing punya karakter berbeda. Mean atau rata-rata adalah yang paling sering dipakai orang awam, tetapi kelemahannya adalah mudah "ditarik" oleh nilai yang jauh dari kebanyakan data, misalnya satu transaksi sangat besar bisa membuat rata-rata penjualan harian terlihat lebih tinggi dari kondisi sebenarnya. Median lebih tahan terhadap efek ini karena ia hanya melihat posisi tengah data setelah diurutkan, tidak peduli seberapa ekstrem nilai di ujung-ujungnya. Modus jarang dipakai untuk data angka seperti penjualan, tetapi sangat berguna untuk data kategori, misalnya kota mana yang paling banyak jadi asal pesanan di sebuah toko online. Pada slide berikutnya kita akan menghitung mean dan median dari data penjualan tujuh hari kita, dan Anda akan melihat sendiri bagaimana angka Minggu yang sembilan puluh unit itu menarik rata-rata jauh lebih tinggi dibanding median.

Coba Sendiri: Bandingkan Mean, Median & Modus

Ubah salah satu angka data — terutama jadi nilai ekstrem — lalu amati mengapa mean bergeser jauh sementara median relatif diam.

Hitung dari Nol: Mean & Median

Data penjualan 7 hari (sudah diurutkan): 12, 13, 14, 15, 16, 18, 90

Langkah	Perhitungan	Nilai
1. Jumlah data (n)	Banyaknya hari	n = 7
2. Total (Σx)	12+13+14+15+16+18+90	178
3. Mean	Σx ÷ n = 178 ÷ 7	25,43
4. Posisi median	(n+1) ÷ 2 = 8 ÷ 2	data ke-4
5. Median	Nilai data urutan ke-4	15

Perhatikan: mean (25,43) jauh lebih tinggi dari median (15) — tanda kuat adanya outlier (hari Minggu = 90).

Mari kita hitung bersama, langkah demi langkah, persis seperti yang akan Anda lakukan di Python nanti dengan fungsi mean dan median dari pandas. Pertama kita hitung banyaknya data yaitu tujuh hari, lalu menjumlahkan seluruh nilai menjadi seratus tujuh puluh delapan, dan membaginya dengan tujuh untuk mendapatkan mean sebesar dua puluh lima koma empat puluh tiga. Untuk median, karena data sudah diurutkan dari kecil ke besar, kita cukup mencari posisi tengah menggunakan rumus n tambah satu dibagi dua, yang menunjuk ke data urutan keempat, yaitu angka lima belas. Perhatikan baik-baik bahwa mean sebesar 25,43 jauh lebih besar dari median sebesar 15 — inilah bukti matematis pertama bahwa ada nilai ekstrem di data kita, yaitu penjualan hari Minggu sebesar sembilan puluh unit yang menarik rata-rata ke atas jauh melebihi kondisi enam hari lainnya.

Ukuran Sebaran: Range, Variansi, Standar Deviasi

Mean dan median hanya menunjukkan "pusat" data — kita juga perlu tahu seberapa beragam datanya.

RANGE

Nilai maksimum dikurangi minimum. Paling sederhana, tapi sangat sensitif terhadap outlier.

VARIANSI & STD DEV

Rata-rata kuadrat jarak tiap data ke mean. Standar deviasi (akar dari variansi) punya satuan yang sama dengan data asli, sehingga lebih mudah diinterpretasi.

std dev = √(Σ(x − mean)² ÷ n)

Kalau ukuran pemusatan menjawab "di mana pusat data", ukuran sebaran menjawab "seberapa jauh data itu menyebar dari pusatnya". Range adalah yang paling gampang dihitung, cukup nilai terbesar dikurangi nilai terkecil, tetapi kelemahannya persis sama dengan mean, yaitu sangat mudah terpengaruh satu nilai ekstrem saja. Variansi dan standar deviasi lebih canggih karena memperhitungkan jarak setiap titik data ke mean, dikuadratkan supaya jarak negatif dan positif tidak saling meniadakan, lalu dirata-ratakan. Standar deviasi kemudian diambil dari akar variansi supaya satuannya kembali sama dengan data asli — misalnya kalau data dalam satuan unit terjual, standar deviasi juga dalam satuan unit, bukan unit kuadrat yang sulit dibayangkan. Di dunia kerja, standar deviasi sering dipakai misalnya oleh analis di sekuritas untuk mengukur volatilitas harga saham BBCA, semakin besar standar deviasinya semakin liar pergerakan harganya.

Coba Sendiri: Bandingkan Range, Variansi & Standar Deviasi

Ubah data Anda dan lihat langsung bagaimana ketiga ukuran sebaran bereaksi berbeda terhadap variasi maupun nilai ekstrem.

Hitung dari Nol: Standar Deviasi

Data baru: rating kepuasan 5 pelanggan marketplace (skala 1–5): 4, 5, 3, 4, 4

Langkah	Perhitungan	Nilai
1. Mean	(4+5+3+4+4) ÷ 5 = 20 ÷ 5	4
2. Kuadrat selisih tiap data	0²+1²+(-1)²+0²+0²	0+1+1+0+0 = 2
3. Variansi	Σ(x-mean)² ÷ n = 2 ÷ 5	0,4
4. Standar deviasi	√0,4	≈ 0,63
5. Interpretasi	Std dev kecil relatif terhadap skala 1–5	rating konsisten

Sekarang kita pindah ke contoh baru, yaitu rating kepuasan lima pelanggan sebuah marketplace pada skala satu sampai lima, untuk menghitung standar deviasi langkah demi langkah. Pertama kita cari mean-nya yaitu empat, lalu untuk setiap data kita hitung selisihnya terhadap mean dan kuadratkan supaya semua bernilai positif — pelanggan yang memberi rating lima punya selisih satu, yang memberi rating tiga punya selisih negatif satu tapi setelah dikuadratkan menjadi satu juga, sementara tiga pelanggan lain yang memberi rating empat punya selisih nol. Jumlah seluruh kuadrat selisih ini adalah dua, kita bagi dengan lima data untuk mendapat variansi 0,4, dan mengakarkannya untuk mendapat standar deviasi sekitar 0,63. Karena skala ratingnya hanya satu sampai lima, standar deviasi sebesar 0,63 tergolong kecil, artinya sebagian besar pelanggan memberi penilaian yang konsisten di sekitar angka empat, bukan tersebar liar dari sangat puas ke sangat kecewa.

Kuartil, IQR & Cara Matematis Mendeteksi Outlier

Kembali ke data penjualan 7 hari: 12, 13, 14, 15, 16, 18, 90 (sudah terurut, median = 15)

Separuh bawah (12, 13, 14) → Q1 = 13
Separuh atas (16, 18, 90) → Q3 = 18
IQR = Q3 − Q1 = 18 − 13 = 5

Batas atas = Q3 + 1,5×IQR = 18 + 7,5 = 25,5
90 > 25,5 → terdeteksi sebagai outlier!
Kesimpulan: penjualan Minggu perlu diinvestigasi (flash sale? salah input?).

Sekarang kita punya cara matematis, bukan sekadar dugaan, untuk membuktikan bahwa angka sembilan puluh unit itu memang tidak wajar. Kuartil membagi data terurut menjadi empat bagian sama besar: Q1 adalah median dari separuh bawah data yaitu tiga belas, Q3 adalah median dari separuh atas data yaitu delapan belas, dan IQR atau interquartile range adalah selisih keduanya yaitu lima. Aturan baku yang dipakai hampir semua software statistik, termasuk boxplot yang akan kita bahas sebentar lagi, adalah menghitung batas atas sebagai Q3 ditambah satu setengah kali IQR, yang dalam kasus kita menghasilkan angka 25,5. Karena penjualan hari Minggu sebesar sembilan puluh unit jauh melampaui batas 25,5 ini, secara matematis ia resmi terdeteksi sebagai outlier, bukan cuma kelihatan mencurigakan secara visual. Inilah yang akan dilakukan analis di tim data Tokopedia atau Shopee setiap kali menemukan lonjakan transaksi tidak biasa — mereka tidak langsung percaya, melainkan memverifikasi dengan aturan seperti ini sebelum memutuskan apakah data itu valid atau perlu dibuang.

Bagian 2

Visualisasi Data — Membuat Angka "Bicara"

Statistik deskriptif meringkas angka; visualisasi membuat pola, bentuk sebaran, dan anomali langsung terlihat oleh mata.

Setelah menguasai angka-angka ringkasan, sekarang kita beralih ke cara menggambarkannya dalam grafik. Manusia jauh lebih cepat menangkap pola lewat gambar dibanding lewat tabel angka — inilah sebabnya setiap laporan performa bisnis, baik itu dashboard penjualan Tokopedia maupun laporan kinerja saham di aplikasi sekuritas, selalu menyertakan grafik, bukan hanya tabel. Bagian ini akan membahas empat jenis visualisasi paling dasar dan paling sering dipakai dalam EDA: histogram untuk melihat bentuk sebaran satu variabel, boxplot untuk merangkum sebaran dan outlier sekaligus, scatter plot untuk melihat hubungan antara dua variabel, dan bar/line chart untuk membandingkan kategori atau tren waktu. Setiap grafik punya "tugas" berbeda, dan memilih grafik yang salah bisa membuat pola penting tersembunyi.

Histogram: Melihat Bentuk Sebaran Data

Histogram mengelompokkan data numerik ke dalam beberapa "kelas" (bin) dan menghitung frekuensinya.

Bentuk "ekor panjang ke kanan" seperti ini sangat umum pada data omzet/transaksi — mayoritas nilai kecil-sedang, sedikit nilai sangat besar (mis. transaksi korporat di antara ribuan transaksi ritel).

Histogram adalah grafik pertama yang biasanya dibuat analis begitu menerima dataset numerik baru, karena ia langsung menunjukkan bentuk sebaran data secara keseluruhan. Sumbu horizontal dibagi menjadi beberapa rentang nilai yang disebut bin, dan tinggi setiap batang menunjukkan berapa banyak data yang jatuh ke rentang tersebut. Pola yang Anda lihat di slide ini, dengan batang tinggi di kiri lalu makin pendek ke kanan disertai ekor panjang, disebut distribusi menceng kanan atau right-skewed, dan ini sangat khas untuk data seperti omzet toko, nilai transaksi, atau gaji karyawan — mayoritas nilai berkumpul di kisaran rendah sampai sedang, tetapi ada segelintir nilai sangat besar yang menarik ekor grafik ke kanan. Kalau data penjualan tujuh hari kita dibuat histogram, enam hari dengan penjualan 12 sampai 18 unit akan mengelompok rapat, sementara hari Minggu dengan sembilan puluh unit akan berdiri sendiri jauh di ujung kanan, persis seperti kotak putus-putus bertuliskan outlier pada gambar ini.

Coba Sendiri: Ubah Jumlah Bin, Ubah Bentuk Histogram

Geser jumlah bin dan lihat bagaimana bentuk sebaran data yang sama bisa terlihat sangat berbeda tergantung pilihan bin.

Boxplot: Merangkum Sebaran & Outlier Sekaligus

Boxplot menggambarkan Q1, median, Q3, whisker (batas wajar), dan titik outlier — dari data penjualan 7 hari kita.

Boxplot langsung menampilkan lima angka penting sekaligus dalam satu gambar ringkas — jauh lebih cepat dibaca daripada tabel statistik.

Boxplot, atau kotak-garis, adalah salah satu grafik paling efisien dalam EDA karena satu gambar kecil ini merangkum lima informasi statistik sekaligus: nilai minimum, kuartil pertama, median, kuartil ketiga, dan nilai maksimum yang masih dianggap wajar, ditambah titik-titik terpisah untuk outlier. Perhatikan kotak di tengah, tepi kirinya adalah Q1 sebesar tiga belas dan tepi kanannya adalah Q3 sebesar delapan belas, persis seperti yang kita hitung di slide sebelumnya, dengan garis tebal di tengah kotak menunjukkan median sebesar lima belas. Garis tipis yang menjulur ke kiri dan kanan kotak disebut whisker, menunjukkan rentang data yang masih dianggap normal, sementara lingkaran terpisah jauh di kanan mewakili angka sembilan puluh dari hari Minggu yang sudah melewati batas wajar dan otomatis digambar terpisah sebagai outlier. Kalau Anda pernah melihat dashboard analitik penjualan di Tokopedia Seller Center atau laporan kinerja saham, boxplot semacam ini sering dipakai untuk membandingkan sebaran beberapa produk atau beberapa saham sekaligus secara berdampingan.

Coba Sendiri: Bangun Boxplot dari Data Anda

Ubah data lalu lihat Q1, median, Q3, IQR, dan boxplot-nya tergambar otomatis — termasuk titik mana yang ditandai outlier.

Scatter Plot: Melihat Hubungan Dua Variabel

Contoh: hubungan antara biaya iklan digital (Rp) dan jumlah transaksi harian sebuah toko online.

Titik-titik yang naik bersama membentuk pola garis lurus menandakan korelasi positif: makin besar biaya iklan, makin banyak transaksi (bukan berarti otomatis sebab-akibat).

Kalau histogram dan boxplot fokus pada satu variabel saja, scatter plot atau diagram pencar dipakai ketika Anda ingin melihat hubungan antara dua variabel numerik sekaligus. Setiap titik pada grafik ini mewakili satu hari pengamatan, dengan posisi horizontalnya menunjukkan seberapa besar biaya iklan digital yang dikeluarkan hari itu dan posisi vertikalnya menunjukkan jumlah transaksi yang terjadi. Karena titik-titiknya cenderung naik dari kiri bawah ke kanan atas membentuk pola garis lurus, kita bisa menyimpulkan ada korelasi positif antara biaya iklan dan jumlah transaksi — semakin besar biaya iklan, semakin banyak transaksi yang terjadi. Namun perlu Anda ingat baik-baik, korelasi bukan berarti sebab-akibat: bisa saja kenaikan transaksi sebenarnya didorong oleh musim belanja seperti Harbolnas, dan tim marketing kebetulan menaikkan biaya iklan di periode yang sama. Scatter plot semacam ini sering dipakai analis marketing digital untuk mengevaluasi efektivitas kampanye iklan di Instagram Ads atau Google Ads sebelum mengambil kesimpulan lebih jauh.

Coba Sendiri: Bentuk Pola Hubungan pada Scatter Plot

Geser titik-titik data dan amati bagaimana kekuatan serta arah hubungan (korelasi) antara dua variabel berubah.

Bar Chart vs Line Chart: Kapan Pakai yang Mana?

Jenis Grafik	Kapan Dipakai	Contoh Kasus Bisnis
Bar Chart	Membandingkan nilai antar-kategori yang terpisah	Penjualan per kategori produk (fesyen, elektronik, makanan) di sebuah toko
Line Chart	Menunjukkan tren/perubahan sepanjang waktu	Pergerakan harga saham BBCA harian selama sebulan

Kesalahan umum pemula: memakai line chart untuk data kategori (tidak ada urutan waktu) — ini menyesatkan karena garis mengesankan ada "perjalanan" antar-kategori yang sebenarnya tidak ada.

Pemilihan jenis grafik yang tepat sama pentingnya dengan perhitungan statistiknya sendiri, karena grafik yang salah bisa membuat pembaca menyimpulkan sesuatu yang keliru. Bar chart, atau diagram batang, paling cocok saat Anda membandingkan beberapa kategori yang berdiri sendiri-sendiri dan tidak punya urutan alami, misalnya membandingkan total penjualan kategori fesyen, elektronik, dan makanan di sebuah toko online — di sini urutan kategori di sumbu horizontal bisa ditukar-tukar tanpa mengubah makna. Line chart sebaliknya wajib dipakai ketika ada dimensi waktu yang berurutan, misalnya pergerakan harga saham BBCA dari hari ke hari selama sebulan, karena garis yang menghubungkan titik-titik itu secara visual menunjukkan perjalanan nilai dari waktu ke waktu. Kesalahan yang sering dilakukan pemula adalah memakai line chart untuk data kategori seperti kota asal pelanggan, padahal urutan kota di sumbu horizontal itu sembarang saja, sehingga garis yang terbentuk menyesatkan pembaca seolah-olah ada tren atau perjalanan padahal tidak ada hubungan berurutan sama sekali.

Bagian 3

Deteksi Anomali — Praktik EDA di Python

Menggabungkan statistik dan visualisasi menjadi satu alur kerja praktis: mengenali data yang aneh sebelum melangkah ke analisis lanjutan.

Di bagian terakhir ini kita akan menyatukan semua yang sudah dipelajari — statistik deskriptif dan visualisasi — menjadi satu alur kerja EDA yang praktis dan bisa langsung Anda jalankan di Python. Anomali atau outlier tidak selalu berarti data itu salah, kadang ia justru mengandung informasi bisnis paling penting, misalnya lonjakan penjualan karena flash sale yang sukses, atau justru tanda adanya kecurangan transaksi yang perlu diselidiki. Karena itu, kemampuan mendeteksi anomali secara sistematis, bukan sekadar menebak dari perasaan, adalah keterampilan inti seorang analis data. Kita akan melihat bagaimana beberapa baris kode Python bisa menghasilkan seluruh statistik dan grafik yang sudah kita hitung manual sepanjang pertemuan ini, dan kemudian Anda akan mempraktikkannya sendiri di data yang berbeda.

Anomali: Kesalahan Data atau Sinyal Bisnis Penting?

Walkthrough: menyikapi outlier penjualan hari Minggu (90 unit) secara sistematis.

LANGKAH 1–2

Statistik & boxplot menandai 90 sebagai outlier (di luar batas 25,5).
Analis tidak langsung membuang data ini — harus diinvestigasi dulu.

LANGKAH 3–4

Cek log transaksi: ternyata ada flash sale gajian hari itu — data valid, bukan error.
Keputusan: simpan data, tapi beri catatan/label "hari promosi" agar tidak menyesatkan model rata-rata harian normal.

Poin paling penting dari deteksi anomali adalah bahwa menemukan outlier hanyalah langkah pertama, bukan langkah terakhir — Anda tidak boleh langsung membuang data yang terdeteksi aneh tanpa memeriksanya lebih dulu. Dalam kasus penjualan sembilan puluh unit di hari Minggu, langkah pertama analis adalah mengonfirmasi lewat statistik dan boxplot bahwa angka ini memang di luar batas wajar, tetapi langkah keduanya adalah menyelidiki penyebabnya, misalnya dengan membuka log transaksi atau bertanya ke tim marketing. Seandainya ternyata memang ada flash sale gajian pada hari itu, maka data tersebut valid dan sah, bukan kesalahan input, sehingga tidak boleh dibuang begitu saja karena ia mencerminkan kondisi bisnis nyata. Yang perlu dilakukan justru memberi catatan atau label khusus pada data tersebut, misalnya "hari promosi", supaya nanti ketika Anda menghitung rata-rata penjualan harian normal untuk keperluan perencanaan stok, data hari promosi ini bisa dipisahkan agar tidak menyesatkan perhitungan. Kebiasaan menginvestigasi sebelum menghapus inilah yang membedakan analis data yang cermat dari yang gegabah.

Praktik: EDA Ringkas dengan Python (pandas)

Satu fungsi .describe() menghasilkan hampir semua statistik yang kita hitung manual hari ini.

CONTOH KODE — STATISTIK & VISUALISASI DASAR

# hitung statistik deskriptif sekaligus
penjualan.describe()

# deteksi outlier pakai IQR
Q1, Q3 = penjualan.quantile([0.25, 0.75])
IQR = Q3 - Q1
batas_atas = Q3 + 1.5 * IQR

# visualisasi cepat
penjualan.plot(kind="box")
penjualan.plot(kind="hist")

Empat baris kode ini menggantikan seluruh perhitungan manual di slide 7, 9, dan 10 — tapi Anda tetap wajib paham logikanya, bukan sekadar menyalin kode.

Setelah menghitung semuanya secara manual, kabar baiknya adalah Python dan library pandas bisa melakukan seluruh pekerjaan ini hanya dengan beberapa baris kode. Fungsi describe langsung menghasilkan jumlah data, mean, standar deviasi, nilai minimum, kuartil, dan nilai maksimum sekaligus dalam satu perintah, persis angka-angka yang tadi kita hitung dengan tangan. Untuk deteksi outlier, kita cukup memanggil fungsi quantile untuk mendapatkan Q1 dan Q3, menghitung IQR, lalu menentukan batas atas — logikanya sama persis dengan yang kita kerjakan manual di slide sebelumnya. Namun saya ingin menekankan satu hal penting: kemampuan menyalin dan menjalankan kode ini tidak ada artinya kalau Anda tidak paham logika di baliknya, karena ketika hasil kode ini aneh atau perlu disesuaikan dengan konteks bisnis tertentu, Anda perlu tahu apa yang sebenarnya dihitung oleh mesin di balik layar. Inilah alasan kita menghabiskan sebagian besar waktu hari ini menghitung manual terlebih dahulu sebelum melihat versi otomatisnya.

Latihan Praktik: EDA pada Data Rating Produk

Kerjakan di Jupyter Notebook/Google Colab Anda, dikerjakan berpasangan (15 menit).

INSTRUKSI

Buat data rating 8 produk sebuah toko online (skala 1–5), sertakan minimal satu nilai ekstrem.
Hitung mean, median, dan standar deviasi memakai pandas (.mean(), .median(), .std()).
Hitung Q1, Q3, dan IQR, lalu tentukan batas atas/bawah outlier.
Buat boxplot dan histogram dari data tersebut, screenshot hasilnya.
Tulis 2–3 kalimat kesimpulan: apakah ada outlier? Apa kemungkinan penyebabnya secara bisnis?

Kumpulkan notebook (.ipynb) beserta kesimpulan lewat sistem pembelajaran sebelum pertemuan berikutnya.

Sekarang giliran Anda mempraktikkan sendiri seluruh alur EDA yang sudah kita pelajari hari ini, dari statistik deskriptif sampai visualisasi dan interpretasi outlier. Silakan bekerja berpasangan dengan teman sebangku, buat dataset kecil berisi rating delapan produk pada skala satu sampai lima, dan pastikan Anda sengaja menyelipkan satu nilai ekstrem seperti nol atau lima berulang kali supaya ada sesuatu yang bisa dideteksi sebagai outlier. Gunakan fungsi-fungsi pandas yang baru saja kita bahas untuk menghitung mean, median, standar deviasi, dan kuartil, lalu buat boxplot serta histogram untuk memvisualisasikannya. Bagian paling penting dari latihan ini bukan sekadar menjalankan kode, melainkan kemampuan Anda menulis kesimpulan singkat yang menjelaskan mengapa outlier itu muncul dari sudut pandang bisnis — apakah itu produk yang benar-benar bermasalah, atau mungkin ada bias dalam cara data dikumpulkan. Saya akan berkeliling untuk membantu jika ada yang kesulitan, jadi jangan ragu bertanya.

Ringkasan Pertemuan 4

STATISTIK DESKRIPTIF

Mean, median, modus meringkas pusat data.
Range, variansi, std dev, IQR meringkas sebaran data.
Outlier terdeteksi lewat aturan Q3 + 1,5×IQR.

VISUALISASI & ANOMALI

Histogram → bentuk sebaran; Boxplot → ringkasan + outlier.
Scatter plot → hubungan 2 variabel; Bar/Line → kategori vs tren waktu.
Outlier harus diinvestigasi, tidak otomatis dibuang.

Minggu depan: Klastering K-Means — mengelompokkan data pelanggan/produk secara otomatis berdasarkan kemiripan karakteristik, memakai fondasi statistik yang sudah Anda kuasai hari ini.

Mari kita rangkum perjalanan kita hari ini. Kita mulai dari statistik deskriptif, belajar menghitung mean, median, dan modus sebagai ukuran pemusatan, lalu range, variansi, standar deviasi, dan IQR sebagai ukuran sebaran, dan menggunakan aturan Q3 tambah satu setengah kali IQR untuk mendeteksi outlier secara matematis pada data penjualan tujuh hari kita. Kemudian kita belajar empat jenis visualisasi utama — histogram untuk bentuk sebaran, boxplot untuk ringkasan lima angka sekaligus outlier, scatter plot untuk hubungan dua variabel, dan bar atau line chart untuk membandingkan kategori maupun tren waktu — dan kita tutup dengan praktik mendeteksi anomali secara sistematis memakai Python. Seluruh keterampilan EDA ini bukan sekadar latihan akademik, ia adalah fondasi yang akan langsung Anda pakai minggu depan ketika kita masuk ke klastering K-Means, di mana kita akan mengelompokkan pelanggan atau produk berdasarkan kemiripan karakteristik — dan tanpa memahami statistik dasar serta cara membaca sebaran data seperti hari ini, hasil klastering nanti akan sulit diinterpretasikan dengan benar. Sampai jumpa minggu depan, dan jangan lupa kumpulkan latihan hari ini.