Program Studi Bisnis Digital • FEB UNDIP

Laboratorium Sains Data

Pertemuan 12 — Komunikasi Hasil Analisis Data

Mengubah angka dan model menjadi cerita yang dipahami dan dipercaya pengambil keputusan — prinsip storytelling data, memilih grafik yang tepat, dashboard, dan menyusun laporan/presentasi analitis.

RPS MINGGU 13 • 2×50 MENIT

Selamat datang kembali, Anda sudah melewati sebelas pertemuan yang penuh teknik: mulai dari pengantar data science, EDA, klastering, aturan asosiasi, regresi, klasifikasi, analisis teks, sampai teknologi big data dan visualisasi. Hari ini kita masuk ke keterampilan yang justru sering diabaikan padahal paling menentukan karier Anda: komunikasi hasil analisis. Bayangkan Anda sudah bekerja keras membangun model prediksi churn pelanggan sebuah e-commerce seperti Tokopedia, tetapi ketika presentasi ke direksi, mereka bingung dan menolak rekomendasi Anda karena caranya disampaikan berbelit-belit dengan istilah teknis. Model sebaik apa pun tidak ada gunanya kalau tidak bisa meyakinkan orang yang mengambil keputusan. Pertemuan ini akan membekali Anda dengan prinsip storytelling data, cara memilih grafik yang tepat, dasar dashboard, dan struktur laporan/presentasi analitis yang efektif, sebagai bekal langsung menuju proyek akhir di pertemuan tiga belas dan empat belas.

Bagian 1 dari 4

Mengapa Komunikasi Data Itu Sulit

Kesenjangan antara "tahu angkanya" dan "orang lain paham serta percaya" — dan mengapa itu sering menjadi titik gagal proyek data.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu mengomunikasikan hasil analisis data secara efektif kepada audiens non-teknis. Secara rinci:

CAPAIAN 1

STORYTELLING

Menerapkan prinsip data storytelling: konteks, temuan, dan rekomendasi yang runtut.

CAPAIAN 2

PILIH GRAFIK

Memilih jenis visualisasi yang tepat sesuai pesan dan menghindari grafik menyesatkan.

CAPAIAN 3

DASHBOARD

Memahami prinsip dashboard sebagai alat monitoring keputusan berkelanjutan.

CAPAIAN 4

LAPORAN

Menyusun struktur laporan/presentasi analitis siap dipakai di proyek akhir.

Kisah Nyata: Model Bagus, Presentasi Gagal

Seorang analis di sebuah startup fintech membangun model prediksi gagal bayar (credit scoring) dengan akurasi tinggi. Namun saat presentasi ke direksi:

MASALAH 1

JARGON

Ia memakai istilah "AUC", "confusion matrix" tanpa penjelasan — direksi bingung sejak menit pertama.

MASALAH 2

30 SLIDE

Semua tahapan teknis ditampilkan berurutan, tanpa kesimpulan yang jelas di depan.

MASALAH 3

TANPA AKSI

Tidak ada rekomendasi konkret — direksi bertanya, "jadi kita harus apa?"

Hasilnya: proyek yang secara teknis solid ditolak dilanjutkan karena direksi tidak paham dan tidak percaya. Skill teknis saja tidak cukup.

Langkah Pertama: Kenali Audiens Anda

Cara Anda menyampaikan hasil analisis harus berbeda tergantung siapa yang mendengarkan.

Audiens	Yang Mereka Butuhkan	Contoh
Eksekutif (C-level)	Kesimpulan & dampak bisnis, singkat	Direktur Tokopedia: "Naikkan konversi 5%?"
Manajer operasional	Rekomendasi tindakan konkret	Manajer gudang: "Restock produk mana?"
Sesama analis/teknis	Metodologi & detail model	Tim data science: parameter model, validasi

Aturan praktis: makin tinggi posisi audiens, makin sedikit detail teknis dan makin banyak implikasi bisnis yang perlu ditonjolkan.

Data Storytelling: Tiga Elemen Wajib

Data storytelling (bertutur dengan data) adalah cara merangkai angka menjadi narasi yang mudah diingat dan menggerakkan keputusan, bukan sekadar menumpuk grafik.

1. KONTEKS

MENGAPA?

Masalah bisnis apa yang mendasari analisis ini? Mengapa audiens harus peduli sekarang?

2. TEMUAN

APA?

Pola/insight utama dari data — disampaikan sebagai pesan tunggal yang jelas, bukan daftar angka.

3. AKSI

LALU APA?

Rekomendasi konkret — apa yang harus dilakukan berdasarkan temuan tersebut.

Struktur ini disebut pola "Konteks → Temuan → Aksi" — dipakai McKinsey, BCG, dan hampir semua tim data korporat.

Data storytelling secara harfiah berarti bertutur atau bercerita dengan data. Alih-alih menumpuk semua grafik yang pernah Anda buat, seorang komunikator data yang baik memilih dan merangkai angka menjadi sebuah cerita dengan tiga elemen wajib. Pertama konteks, yaitu menjelaskan mengapa analisis ini penting dan masalah bisnis apa yang mendasarinya, misalnya penurunan penjualan sebuah gerai retail di Semarang. Kedua temuan, yaitu pola utama dari data yang disampaikan sebagai satu pesan tunggal yang jelas, bukan daftar dua puluh angka yang membingungkan. Ketiga aksi, yaitu rekomendasi konkret tentang apa yang harus dilakukan. Pola konteks-temuan-aksi ini adalah struktur yang dipakai konsultan kelas dunia seperti McKinsey dan BCG, dan akan menjadi kerangka wajib untuk laporan proyek akhir Anda nanti.

Struktur Piramida Terbalik

Berbeda dari laporan akademik yang membangun argumen sedikit-sedikit menuju kesimpulan, komunikasi bisnis memakai piramida terbalik: kesimpulan di depan.

Bandingkan dengan skripsi/paper yang memakai piramida normal: latar belakang → metode → hasil → kesimpulan di akhir. Audiens bisnis tidak punya waktu menunggu.

Bagian 2 dari 4

Memilih Grafik yang Tepat

Setiap jenis pesan punya bentuk visual idealnya sendiri — salah pilih grafik bisa membingungkan bahkan menyesatkan.

Peta Pemilihan Jenis Grafik

Pertanyaan kunci: apa yang ingin Anda tunjukkan? Jenis pesan menentukan jenis grafik, bukan sebaliknya.

Pesan yang Ingin Disampaikan	Grafik yang Tepat	Contoh Kasus
Perbandingan antar-kategori	Bar chart	Penjualan per kota: Jakarta vs Semarang vs Surabaya
Tren/perubahan sepanjang waktu	Line chart	Jumlah pengguna aktif Tokopedia per bulan
Hubungan dua variabel numerik	Scatter plot	Biaya iklan vs jumlah transaksi
Komposisi/proporsi dari total	Pie/stacked bar (maks. 5 kategori)	Pangsa metode pembayaran: QRIS, transfer, COD
Distribusi/sebaran data	Histogram/boxplot	Sebaran usia pelanggan sebuah aplikasi

Tabel ini adalah peta praktis yang bisa Anda pakai setiap kali membuat visualisasi. Kuncinya, jangan mulai dari "grafik apa yang bagus", tetapi mulai dari "pesan apa yang ingin saya sampaikan". Kalau Anda ingin membandingkan penjualan antar kota seperti Jakarta, Semarang, dan Surabaya, bar chart adalah pilihan paling jujur karena mata manusia mudah membandingkan panjang batang. Kalau Anda ingin menunjukkan tren jumlah pengguna aktif dari bulan ke bulan, line chart paling pas karena menonjolkan arah pergerakan. Scatter plot dipakai untuk menunjukkan hubungan, misalnya antara biaya iklan dan jumlah transaksi yang sudah kita bahas di pertemuan regresi. Pie chart hanya cocok untuk komposisi dengan sedikit kategori; lebih dari lima kategori, pie chart menjadi sulit dibaca dan sebaiknya diganti stacked bar.

Jebakan Umum: Grafik yang Menyesatkan

JEBAKAN 1

SUMBU-Y DIPOTONG

Sumbu Y tidak mulai dari 0 → perbedaan kecil (mis. 2%) terlihat seperti lonjakan dramatis.

JEBAKAN 2

PIE TERLALU RAMAI

Pie chart dengan >5 kategori → mata tak bisa membandingkan potongan tipis secara akurat.

JEBAKAN 3

3D & DEKORASI

Efek 3D/bayangan mendistorsi persepsi ukuran — hindari demi "keindahan" semata.

JEBAKAN 4

KORELASI = SEBAB

Scatter plot menunjukkan korelasi, bukan otomatis hubungan sebab-akibat.

Prinsip etika data: jangan pernah memanipulasi visual demi mendukung kesimpulan yang Anda inginkan. Kredibilitas analis dipertaruhkan sekali rusak, sulit pulih.

Empat jebakan ini sering muncul, kadang sengaja untuk memoles temuan agar terlihat lebih dramatis, kadang tidak sengaja karena kurang teliti. Memotong sumbu Y supaya tidak mulai dari nol adalah trik klasik yang sering dipakai di media atau laporan yang ingin melebih-lebihkan tren, misalnya kenaikan harga saham dua persen dibuat terlihat seperti roket. Pie chart dengan lebih dari lima kategori membuat mata kesulitan membandingkan potongan-potongan tipis. Efek tiga dimensi memang terlihat menarik tetapi mendistorsi persepsi ukuran sebenarnya. Dan yang paling penting untuk diingat dari pertemuan regresi kita sebelumnya, scatter plot yang menunjukkan korelasi tidak otomatis berarti ada hubungan sebab-akibat. Sebagai calon analis profesional, kredibilitas Anda adalah aset paling berharga; sekali ketahuan memanipulasi grafik, orang tidak akan percaya lagi pada laporan Anda berikutnya.

Hitung dari Nol: Dampak Skala Sumbu Y

Data konversi e-commerce naik dari 3,0% menjadi 3,2%. Bandingkan persepsi visual jika sumbu Y dimulai dari 0% vs dari 2,8%.

Langkah	Perhitungan	Nilai
Kenaikan absolut	3,2% − 3,0%	0,2 poin persen
Kenaikan relatif (%)	0,2% ÷ 3,0% × 100	~6,7%
Tinggi batang, sumbu 0–4%	3,2 ÷ 4 × 100	80% dari tinggi grafik
Tinggi batang, sumbu 2,8–3,4%	(3,2−2,8) ÷ (3,4−2,8) × 100	67% dari tinggi grafik

KESIMPULAN

SAMA DATA, BEDA KESAN

Sumbu dipotong (2,8–3,4%) membuat batang kedua terlihat jauh lebih tinggi dari batang pertama, padahal kenaikan sungguhan hanya ~6,7% relatif. Selalu mulai sumbu Y dari 0 untuk bar chart.

Mari kita hitung sendiri supaya jebakan sumbu Y ini terasa nyata, bukan sekadar teori. Konversi naik dari tiga koma nol persen menjadi tiga koma dua persen, jadi kenaikan absolutnya hanya nol koma dua poin persen. Jika kita hitung kenaikan relatif, nol koma dua dibagi tiga koma nol dikali seratus, hasilnya sekitar enam koma tujuh persen — kenaikan yang cukup wajar untuk sebuah optimasi. Tetapi perhatikan efek visualnya: jika sumbu Y digambar dari nol sampai empat persen, batang kedua hanya terlihat sedikit lebih tinggi dari batang pertama, sesuai kenyataan. Namun jika sumbu dipotong dan hanya menampilkan rentang dua koma delapan sampai tiga koma empat persen, batang kedua tiba-tiba terlihat jauh lebih dominan meski datanya identik. Inilah kenapa kita wajib memulai sumbu Y dari nol untuk bar chart — supaya persepsi visual sesuai dengan kenyataan angkanya.

Bagian 3 dari 4

Dashboard & Pemantauan Berkelanjutan

Berbeda dari laporan sekali jadi, dashboard adalah "jendela hidup" ke data yang terus diperbarui untuk keputusan sehari-hari.

Dashboard: Definisi & Prinsip Dasar

Dashboard adalah tampilan visual yang meringkas metrik kunci secara real-time atau near-real-time, dirancang untuk dilihat berulang kali (harian/mingguan), bukan dibaca sekali seperti laporan.

LAPORAN (REPORT)

SEKALI JADI

Dibuat untuk satu momen keputusan; berisi narasi lengkap konteks-temuan-aksi; dibaca dari awal sampai akhir.

DASHBOARD

HIDUP & BERULANG

Diperbarui otomatis; dilihat sekilas berkali-kali; fokus pada beberapa metrik kunci (KPI) yang paling penting.

Contoh nyata: dashboard penjualan harian sebuah UMKM di Shopee yang menampilkan omzet, jumlah pesanan, dan rating toko — dicek pemilik toko setiap pagi dalam hitungan detik.

Lima Prinsip Dashboard yang Baik

Prinsip	Penjelasan
1. Fokus pada KPI kunci	Maksimal 5–7 metrik utama — bukan menumpuk semua data yang ada
2. Hierarki visual jelas	Angka paling penting (mis. omzet total) paling besar dan di posisi paling menonjol
3. Konsisten & familiar	Warna dan tata letak sama tiap kali dibuka — pengguna tidak perlu belajar ulang
4. Update tepat waktu	Frekuensi pembaruan sesuai kebutuhan keputusan (harian, jam-jaman, real-time)
5. Bisa ditindaklanjuti	Setiap metrik menjawab "jadi saya harus apa?" — bukan sekadar informatif

Lima prinsip ini adalah standar praktis yang dipakai tim data di perusahaan seperti Gojek atau Bukalapak saat merancang dashboard operasional. Prinsip pertama, fokus pada KPI kunci — godaan terbesar saat membuat dashboard adalah memasukkan semua data yang ada karena "sudah punya datanya", padahal itu justru membuat dashboard sulit dibaca. Prinsip kedua, hierarki visual, artinya angka paling penting harus paling menonjol secara ukuran dan posisi. Prinsip ketiga, konsistensi, supaya pengguna yang membuka dashboard setiap hari tidak perlu belajar ulang tata letaknya. Prinsip keempat, frekuensi update harus sesuai kebutuhan; dashboard operasional gudang mungkin perlu real-time, tapi dashboard strategi bulanan cukup diperbarui mingguan. Prinsip kelima dan paling penting, setiap metrik harus bisa ditindaklanjuti — kalau melihat angka itu tidak mengubah tindakan apa pun, sebaiknya dihapus dari dashboard.

Hitung dari Nol: Menyaring Metrik Jadi KPI Dashboard

Toko online punya 10 metrik mentah. Manajer hanya bisa fokus pada sedikit metrik — kita saring pakai skor relevansi × keterukuran (skala 1–5).

Langkah	Perhitungan	Nilai
Skor "Omzet harian"	relevansi 5 × keterukuran 5	25
Skor "Jumlah klik banner"	relevansi 2 × keterukuran 5	10
Skor "Rating toko"	relevansi 4 × keterukuran 4	16
Ambang batas KPI (top-3 dari 10)	urutkan skor tertinggi → ambil 3	Omzet (25), Rating (16), Retur (15)

KESIMPULAN

3 DARI 10 METRIK JADI KPI

"Jumlah klik banner" (skor 10) relevan tapi kurang menentukan keputusan langsung — disimpan sebagai metrik pendukung, bukan KPI utama dashboard.

Sekarang mari kita berlatih menyaring metrik menjadi KPI dengan cara yang sistematis, bukan sekadar tebakan. Bayangkan toko online Anda punya sepuluh metrik mentah yang bisa diukur. Untuk tiap metrik kita beri skor relevansi terhadap keputusan bisnis, skala satu sampai lima, dikalikan skor keterukuran atau seberapa akurat data itu bisa diukur, juga skala satu sampai lima. Omzet harian mendapat skor relevansi lima dikali keterukuran lima sama dengan dua puluh lima, karena sangat menentukan dan datanya akurat. Jumlah klik banner hanya dapat relevansi dua dikali keterukuran lima sama dengan sepuluh, karena walau mudah diukur, dampaknya ke keputusan bisnis kecil. Rating toko mendapat enam belas. Setelah semua sepuluh metrik diberi skor dan diurutkan, kita ambil tiga skor teratas sebagai KPI utama dashboard: omzet, rating toko, dan tingkat retur. Metrik dengan skor rendah seperti klik banner tetap dicatat tapi tidak perlu tampil mencolok di dashboard utama.

Bagian 4 dari 4

Menyusun Laporan & Presentasi Analitis

Merangkai semua prinsip menjadi struktur laporan siap pakai — bekal langsung untuk presentasi proyek akhir Anda.

Struktur Baku Laporan Analitis

Bagian	Isi	Porsi Waktu (presentasi 10 menit)
1. Ringkasan eksekutif	Kesimpulan & rekomendasi utama dalam 1–2 kalimat	~1 menit
2. Konteks masalah	Latar belakang bisnis & pertanyaan yang dijawab	~1,5 menit
3. Temuan utama	2–3 insight kunci, tiap insight 1 visualisasi pendukung	~4 menit
4. Rekomendasi	Tindakan konkret & terukur yang disarankan	~2 menit
5. Lampiran/metodologi	Detail teknis untuk yang bertanya lebih dalam	(hanya jika ditanya)

Struktur ini adalah penerapan langsung dari piramida terbalik yang kita bahas di awal, dipecah menjadi lima bagian dengan alokasi waktu yang realistis untuk presentasi sepuluh menit seperti yang akan Anda lakukan di proyek akhir. Ringkasan eksekutif diletakkan paling depan, cukup satu sampai dua kalimat berisi kesimpulan dan rekomendasi utama — bayangkan ini seperti judul berita yang harus bisa dipahami meski audiens langsung keluar ruangan setelah mendengarnya. Konteks masalah menjelaskan mengapa analisis ini dilakukan. Temuan utama adalah bagian terbesar, dua sampai tiga insight kunci, masing-masing didukung satu visualisasi yang jelas — jangan menumpuk sepuluh grafik. Rekomendasi harus konkret dan terukur, misalnya "tingkatkan stok kategori X sebesar 20% bulan depan", bukan "perlu ditingkatkan". Detail metodologi disimpan di lampiran, hanya dibuka kalau ada yang bertanya.

Checklist: Sebelum Anda Presentasi

CEK ISI

Kesimpulan sudah di slide pertama/kedua?
Semua istilah teknis (mis. AUC, p-value) sudah dijelaskan?
Rekomendasi bersifat konkret & terukur?
Angka sudah diverifikasi ulang (tidak salah hitung)?

CEK VISUAL

Sumbu Y bar chart mulai dari 0?
Tiap grafik punya judul & label sumbu?
Warna konsisten & tidak lebih dari 4–5 warna?
Font terbaca dari jarak 3 meter (proyektor kelas)?

Sebelum Anda maju presentasi proyek akhir, jalankan checklist ini sebagai pengecekan terakhir — banyak nilai presentasi hilang bukan karena analisisnya salah, tetapi karena detail kecil yang terlewat. Dari sisi isi, pastikan kesimpulan sudah muncul di slide pertama atau kedua, bukan ditumpuk di akhir. Pastikan istilah teknis seperti AUC atau p-value sudah dijelaskan dalam bahasa sederhana, karena tidak semua penguji atau audiens Anda familiar dengan istilah statistik. Pastikan rekomendasi Anda konkret, bukan sekadar "perlu dianalisis lebih lanjut". Dari sisi visual, ingat kembali pelajaran sumbu Y yang kita hitung tadi, pastikan tiap grafik punya judul dan label sumbu yang jelas, dan pastikan font Anda cukup besar untuk dibaca dari jarak tiga meter di ruang kelas — kesalahan yang sangat sering terjadi saat mahasiswa membuat slide di laptop lalu dipresentasikan di layar besar.

Latihan Kelas: Ubah Angka Jadi Cerita

Berpasangan dengan teman sebangku, ambil satu hasil analisis dari tugas/proyek sebelumnya (EDA, klastering, regresi, atau klasifikasi di pertemuan 4–9), lalu:

INSTRUKSI (10 MENIT)

Tulis 1 kalimat ringkasan eksekutif (kesimpulan + rekomendasi)
Pilih 1 grafik yang paling tepat untuk mendukungnya (rujuk peta pemilihan grafik slide 9)
Sebutkan 1 audiens spesifik yang akan menerima laporan ini (mis. manajer toko, direktur pemasaran)
Tukar hasil dengan pasangan lain — beri masukan memakai checklist slide 18

Dosen akan meminta 2–3 pasangan membacakan ringkasan eksekutifnya di depan kelas.

Sekarang saatnya praktik langsung, karena komunikasi data adalah keterampilan yang hanya terasah lewat latihan berulang, bukan sekadar mendengarkan teori. Silakan berpasangan dengan teman sebangku, ambil satu hasil analisis dari tugas Anda sebelumnya, misalnya hasil klastering pelanggan atau hasil regresi yang sudah kita kerjakan di pertemuan-pertemuan lalu. Dalam sepuluh menit, tulis satu kalimat ringkasan eksekutif yang menggabungkan kesimpulan dan rekomendasi, pilih satu grafik yang paling tepat merujuk pada peta yang kita bahas tadi, dan tentukan audiens spesifik yang akan menerima laporan ini. Setelah itu, tukar hasil dengan pasangan lain dan beri masukan memakai checklist yang baru kita pelajari. Saya akan berkeliling membantu, dan di akhir sesi saya akan meminta dua sampai tiga pasangan membacakan hasilnya di depan kelas — jadi siapkan diri Anda.

Rangkuman & Menuju Proyek Akhir

CHEAT SHEET HARI INI

Struktur cerita: Konteks → Temuan → Aksi
Presentasi bisnis: piramida terbalik (kesimpulan dulu)
Pilih grafik sesuai pesan, bukan selera
Sumbu Y bar chart selalu mulai dari 0
Dashboard = pemantauan berkelanjutan, fokus 5–7 KPI

MINGGU DEPAN — P13–14

PROYEK AKHIR

Integrasi siklus penuh data science (EDA → model → komunikasi) & kolaborasi tim. Bawa dataset kelompok Anda — siapkan ringkasan eksekutif sejak sekarang.

Mari kita rangkum perjalanan hari ini sebelum saya tutup kelas. Kita belajar bahwa komunikasi data yang efektif dibangun dari struktur konteks-temuan-aksi, disampaikan dengan piramida terbalik supaya kesimpulan ada di depan, memilih grafik berdasarkan pesan yang ingin disampaikan bukan sekadar selera, selalu memulai sumbu Y bar chart dari nol supaya tidak menyesatkan, dan menggunakan dashboard untuk pemantauan berkelanjutan dengan fokus pada lima sampai tujuh KPI kunci saja. Pertemuan tiga belas dan empat belas minggu depan adalah proyek akhir, di mana Anda dan kelompok akan mengintegrasikan seluruh siklus data science yang sudah kita pelajari sejak pertemuan pertama — mulai dari eksplorasi data, membangun model, sampai mengomunikasikan hasilnya persis seperti yang kita latih hari ini. Mulai siapkan dataset kelompok Anda dari sekarang, dan yang paling penting, mulai memikirkan satu kalimat ringkasan eksekutif untuk proyek Anda sejak awal, bukan di malam terakhir. Sampai jumpa minggu depan.