Program Studi Bisnis Digital • Laboratorium Sains Data

Proyek Akhir Data Science: Integrasi Siklus

Pertemuan 13 — Merangkai Seluruh Siklus Jadi Satu Proyek Nyata

Selama 12 pertemuan Anda belajar satu per satu alat sains data — EDA, K-Means, aturan asosiasi, regresi, klasifikasi, teks, big data, visualisasi. Hari ini semuanya disatukan menjadi satu proyek nyata.

RPS MINGGU 14 • 2 × 50 MENIT

Bagian 1

Merangkai Ulang Siklus Data Science

Dari pertanyaan bisnis sampai model yang teruji — melihat kembali seluruh tahap sebagai satu alur, bukan bab-bab terpisah.

Tujuan Pembelajaran Hari Ini

Sub-CPMK minggu ini: mahasiswa mampu mengintegrasikan seluruh tahap siklus analisis data ke dalam satu proyek nyata secara berkelompok. Secara rinci, setelah pertemuan ini Anda mampu:

CAPAIAN 1 — INTEGRASI

Menghubungkan tahap define, collect, clean, explore, model, evaluate, communicate menjadi satu alur kerja tunggal.
Memilih metode analisis yang tepat untuk satu pertanyaan bisnis konkret.

CAPAIAN 2 — TIM & DELIVERABLE

Membagi peran dalam tim dan menyusun rencana kerja proyek akhir dua pertemuan.
Menyiapkan deliverable (laporan, kode, dashboard, presentasi) sesuai rubrik penilaian.

Recap: Siklus Analisis Data Secara Penuh

Tujuh tahap yang sudah Anda pelajari sejak Pertemuan 2, kini dilihat sebagai satu siklus berulang — bukan daftar bab yang berdiri sendiri.

Perhatikan bahwa ketujuh kotak ini bukan langkah yang selesai satu kali lalu ditinggalkan, melainkan siklus yang berputar, karena hasil komunikasi ke pemangku kepentingan sering memunculkan pertanyaan bisnis baru yang memulai putaran siklus berikutnya. Misalnya, setelah tim data Grab menemukan segmen pelanggan yang rawan churn, manajemen mungkin bertanya lebih lanjut apakah segmen itu berbeda antar kota, dan pertanyaan baru ini memulai siklus define-collect-clean-explore-model-evaluate-communicate dari awal lagi. Dalam proyek akhir Anda, kelompok tidak wajib melalui ketujuh tahap dengan kedalaman yang sama, tetapi wajib menunjukkan jejak setiap tahap dalam laporan agar dosen dan audiens bisa menelusuri alur berpikir Anda. Tahap explore dan model biasanya menyita waktu paling banyak, tetapi tahap communicate sering diremehkan padahal itulah yang menentukan apakah hasil analisis benar-benar dipakai oleh pengambil keputusan bisnis.

Studi Kasus Contoh: Prediksi Churn Pelanggan

Sepanjang pertemuan ini kita memakai satu kasus konsisten untuk menunjukkan integrasi siklus — kelompok Anda nanti memilih kasus sendiri dengan pola serupa.

Konteks Bisnis

Platform e-commerce fiktif BelanjaKita (mirip Tokopedia) kehilangan sebagian pelanggan tiap bulan — disebut churn (pelanggan berhenti bertransaksi).
Tim manajemen ingin tahu: pelanggan mana yang berisiko churn, dan mengapa?
Data tersedia: riwayat transaksi, frekuensi kunjungan, keluhan layanan, nilai belanja bulanan.

Tujuan Analisis

Bangun model klasifikasi yang memprediksi churn dari pola perilaku pelanggan.
Ubah hasil model menjadi insight bisnis: segmen mana yang perlu kampanye retensi.
Sajikan hasil dalam dashboard yang mudah dipahami tim marketing, bukan hanya angka statistik.

Studi kasus prediksi churn ini sengaja dipilih karena menggabungkan hampir semua teknik yang sudah Anda pelajari, mulai dari EDA untuk memahami pola transaksi, klasifikasi untuk memprediksi siapa yang berisiko churn, sampai visualisasi untuk mengomunikasikan hasil ke tim marketing yang mungkin tidak paham istilah statistik. Kasus semacam ini sangat nyata, hampir semua perusahaan digital di Indonesia seperti Gojek, Bukalapak, atau bank digital seperti Jenius memiliki tim yang mengerjakan persis masalah ini. Perhatikan bahwa tujuan akhirnya bukan sekadar akurasi model yang tinggi, melainkan insight yang bisa ditindaklanjuti, misalnya menentukan pelanggan mana yang layak menerima voucher diskon retensi. Kelompok Anda akan memilih kasus serupa dengan pola yang sama, boleh tentang churn, boleh topik lain seperti prediksi penjualan UMKM atau segmentasi nasabah, asalkan mengikuti alur define sampai communicate yang sama.

Tahap 1–2: Define & Collect — Langkah demi Langkah

Dua tahap ini menentukan arah seluruh proyek — kesalahan di sini akan menular ke semua tahap berikutnya.

Walkthrough A — Mendefinisikan Pertanyaan Bisnis

Mulai dari keluhan manajemen: "pendapatan bulanan menurun perlahan sejak 3 bulan lalu."
Perjelas menjadi pertanyaan terukur: "pelanggan mana yang berhenti bertransaksi, dan pola apa yang mereka bagikan?"
Tetapkan target: prediksi ya/tidak churn untuk tiap pelanggan bulan depan — ini menentukan bahwa metode yang dipakai adalah klasifikasi, bukan regresi.

Walkthrough B — Mengumpulkan Data yang Relevan

Identifikasi sumber: basis data transaksi, log kunjungan aplikasi, tiket keluhan pelanggan.
Gabungkan (merge) tabel-tabel itu per ID pelanggan menjadi satu tabel analisis.
Cek kelengkapan: apakah rentang waktu data cukup panjang untuk menangkap pola churn (idealnya ≥6 bulan)?

Pada walkthrough pertama, perhatikan bagaimana keluhan manajemen yang masih kabur, yaitu pendapatan menurun, harus diterjemahkan menjadi pertanyaan yang bisa dijawab dengan data, sama seperti dokter yang menerjemahkan keluhan pasien menjadi diagnosis yang bisa diuji. Menetapkan target sebagai prediksi ya atau tidak churn sangat penting karena keputusan ini langsung menentukan bahwa Anda memakai metode klasifikasi seperti decision tree atau naive bayes, bukan regresi linier yang cocok untuk angka kontinu. Pada walkthrough kedua, mengumpulkan data bukan sekadar mengambil satu file Excel, melainkan menggabungkan beberapa sumber, mirip seperti tim data BCA yang harus menggabungkan data transaksi kartu, mobile banking, dan keluhan call center menjadi satu tabel analisis nasabah. Kelompok Anda wajib mendokumentasikan kedua langkah ini di laporan, karena dosen akan menilai kejelasan pertanyaan bisnis sebagai bagian dari rubrik penilaian.

Tahap 3–4: EDA — Hitung dari Nol

Sebelum memodelkan, kita cek dulu apakah data nilai belanja bulanan 5 pelanggan contoh punya outlier (nilai jauh dari kebanyakan data) yang bisa menyesatkan rata-rata.

Langkah	Perhitungan	Nilai
Data mentah 5 pelanggan (ribu Rp)	250, 300, 275, 900, 260	—
Urutkan data dari kecil ke besar	250, 260, 275, 300, 900	—
Rata-rata (mean)	(250+260+275+300+900) / 5	397
Nilai tengah (median), data ke-3 dari 5	urutan: 250,260,275,300,900	275
Selisih mean − median	397 − 275	122

Kesimpulan EDA

Selisih 122 yang besar menandakan outlier: pelanggan dengan belanja Rp900rb menarik rata-rata ke atas. Gunakan median (275), bukan mean, sebagai gambaran pelanggan tipikal — keputusan yang hanya bisa diambil setelah EDA, bukan sebelumnya.

Tabel ini mengulang keterampilan EDA dari Pertemuan 4, tetapi sekarang dalam konteks proyek nyata, di mana keputusan statistik kecil ini memengaruhi bagaimana Anda menyajikan profil pelanggan ke manajemen. Perhatikan bahwa mean 397 ribu rupiah terlihat mengesankan, tetapi angka itu menyesatkan karena ditarik naik oleh satu pelanggan dengan belanja 900 ribu, sementara empat pelanggan lain berada di kisaran 250 sampai 300 ribu saja. Selisih 122 antara mean dan median adalah sinyal praktis yang mudah dihitung untuk mendeteksi distribusi miring atau adanya outlier, tanpa perlu membuat histogram terlebih dahulu. Dalam proyek kelompok Anda, langkah EDA semacam ini wajib didokumentasikan sebelum masuk ke tahap modeling, karena keputusan menangani outlier akan sangat memengaruhi akurasi model yang Anda bangun berikutnya.

Tahap 5: Modeling — Memilih Metode yang Tepat

Untuk kasus churn, kita membandingkan dua metode klasifikasi yang sudah Anda pelajari di Pertemuan 8.

Walkthrough A — Decision Tree

Membentuk aturan bertingkat: "jika frekuensi kunjungan < 2x/bulan DAN ada keluhan, maka churn."
Kelebihan: hasil mudah dijelaskan ke tim marketing yang tidak paham statistik.

Walkthrough B — Naive Bayes

Menghitung peluang churn berdasarkan kombinasi fitur pelanggan secara probabilistik.
Kelebihan: cepat dilatih pada data besar; kelemahan: sulit dijelaskan sebagai "aturan" ke non-teknis.

Keputusan proyek contoh: pilih decision tree — karena deliverable akhir harus dipresentasikan ke "manajemen" (audiens non-teknis), interpretasi aturan lebih penting daripada kecepatan komputasi.

Memilih metode bukan soal mana yang "paling canggih", melainkan mana yang paling cocok dengan kebutuhan audiens dan data yang tersedia, dan inilah keterampilan integrasi yang ingin diuji hari ini. Decision tree unggul karena hasilnya berbentuk aturan seperti "jika begini maka begitu" yang mudah dipahami oleh tim marketing BelanjaKita tanpa latar belakang statistik, mirip seperti kartu skor kredit yang dipakai bank untuk menjelaskan keputusan pinjaman ke nasabah. Naive bayes sebenarnya bisa lebih cepat dan kadang lebih akurat pada data besar, tetapi hasilnya berupa peluang angka yang lebih sulit diterjemahkan menjadi narasi bisnis sederhana. Dalam proyek kelompok Anda, pilihan metode harus dijustifikasi dengan alasan seperti ini di laporan, dosen akan menilai bukan hanya apakah metode benar secara teknis, tetapi apakah pemilihannya masuk akal untuk konteks bisnis kasus Anda.

Coba Sendiri: Alternatif Ketiga, Regresi Logistik

Selain decision tree dan naive bayes, regresi logistik adalah opsi ketiga yang lazim dipakai untuk klasifikasi churn — coba geser koefisiennya dan amati bagaimana probabilitas prediksi berubah.

Tahap 6: Evaluasi Model — Hitung dari Nol

Model decision tree diuji pada 200 pelanggan. Hasilnya dirangkum dalam confusion matrix (tabel prediksi vs kenyataan) berikut.

Langkah	Perhitungan	Nilai
Confusion matrix hasil uji (200 pelanggan)	TP=40, FP=10, FN=20, TN=130	Total 200
Akurasi = (TP+TN) / Total	(40+130) / 200	85%
Presisi = TP / (TP+FP)	40 / (40+10)	80%
Recall = TP / (TP+FN)	40 / (40+20)	~66,7%

Kesimpulan Evaluasi

Akurasi 85% terlihat tinggi, tapi recall hanya ~66,7% — artinya 1 dari 3 pelanggan yang benar-benar akan churn justru tidak terdeteksi (FN=20). Untuk kasus retensi pelanggan, recall rendah berisiko mahal: pelanggan berisiko lolos tanpa kampanye retensi.

Tabel evaluasi ini menunjukkan mengapa akurasi saja tidak cukup untuk menilai model, sebuah pelajaran penting dari Pertemuan 8 yang kini terlihat dampaknya secara langsung dalam konteks bisnis. TP artinya pelanggan yang benar diprediksi churn, FP pelanggan yang diprediksi churn padahal tidak, FN pelanggan yang sebenarnya churn tapi tidak terdeteksi model, dan TN pelanggan yang benar diprediksi tidak churn. Recall yang hanya 66,7 persen berarti dari 60 pelanggan yang sungguh-sungguh churn, model hanya berhasil menangkap 40 orang dan melewatkan 20 orang, dan bagi tim marketing BelanjaKita, 20 pelanggan yang lolos ini berarti 20 kesempatan kampanye retensi yang hilang begitu saja. Dalam proyek kelompok Anda, pilih metrik evaluasi yang relevan dengan biaya kesalahan di dunia nyata, bukan sekadar melaporkan akurasi tertinggi, karena dosen akan menanyakan alasan pemilihan metrik saat presentasi Pertemuan 14.

Menerjemahkan Angka Model Menjadi Insight Bisnis

Model yang akurat tidak berguna kalau berhenti di angka statistik — tahap ini mengubah hasil menjadi rekomendasi yang bisa ditindaklanjuti.

Temuan Teknis

Aturan decision tree menunjukkan: pelanggan dengan frekuensi kunjungan rendah + pernah mengeluh punya risiko churn tertinggi (~70% dari kelompok ini churn dalam sebulan).

Insight Bisnis

Rekomendasi: kirim voucher retensi otomatis ke pelanggan yang memenuhi pola ini H-3 sebelum diperkirakan churn, dan prioritaskan penyelesaian tiket keluhan <24 jam.

Prinsip kunci: setiap angka model (akurasi, recall, aturan pohon) harus diakhiri dengan kalimat "maka tim bisnis sebaiknya melakukan..." — tanpa itu, analisis belum selesai.

Tahap interpretasi ini sering menjadi titik lemah proyek mahasiswa, karena banyak kelompok berhenti setelah melaporkan angka akurasi tanpa menjelaskan apa artinya bagi bisnis, padahal justru inilah nilai jual seorang data analyst. Temuan bahwa pelanggan dengan kunjungan jarang dan pernah mengeluh punya risiko churn tinggi bukan sekadar fakta statistik, melainkan sinyal yang bisa langsung diubah menjadi aksi konkret seperti voucher retensi, mirip strategi yang dipakai Shopee atau Traveloka untuk menahan pelanggan yang mulai jarang bertransaksi. Perhatikan kalimat kunci di callout, setiap slide hasil analisis dalam proyek Anda idealnya diakhiri dengan rekomendasi tindakan, bukan hanya angka, karena itulah yang membedakan laporan data science dari laporan statistik biasa. Kelompok Anda akan dinilai secara khusus pada kemampuan menjembatani angka teknis dengan bahasa yang dipahami pengambil keputusan bisnis non-teknis.

Bagian 2

Dari Model ke Keputusan Bisnis

Mengomunikasikan hasil, membentuk tim, dan menyiapkan seluruh deliverable proyek akhir.

Tahap 7: Komunikasi Hasil yang Efektif

Recap Pertemuan 11–12: dashboard dan visualisasi adalah "wajah" proyek Anda di depan audiens non-teknis.

Lakukan

Satu grafik = satu pesan utama (mis. "20% pelanggan berisiko churn bulan ini").
Urutkan cerita: konteks → temuan → rekomendasi.
Gunakan label angka langsung pada grafik, bukan hanya legenda.

Hindari

Grafik 3D atau pie chart untuk >5 kategori (sulit dibaca).
Menumpuk semua tabel mentah di slide presentasi.
Istilah teknis (recall, TP/FP) tanpa penjelasan singkat untuk audiens bisnis.

Slide ini mengulang prinsip inti dari Pertemuan 11 tentang visualisasi efektif dan Pertemuan 12 tentang komunikasi hasil analisis, karena keduanya adalah keterampilan yang paling langsung diuji saat presentasi proyek akhir di Pertemuan 14. Prinsip satu grafik satu pesan penting karena audiens seperti direksi BelanjaKita biasanya hanya punya beberapa menit untuk melihat tiap slide, sehingga grafik yang padat informasi justru gagal menyampaikan apa pun. Menghindari istilah teknis seperti recall atau true positive tanpa penjelasan sangat krusial, karena tim marketing atau manajemen umumnya tidak familiar dengan istilah tersebut, sama seperti dokter yang harus menjelaskan diagnosis dengan bahasa awam kepada pasien. Dalam proyek kelompok Anda, sisihkan waktu khusus untuk merapikan dashboard dan slide presentasi, jangan hanya menempelkan output mentah dari kode Python atau R langsung ke slide.

Struktur Tim: Membagi Peran dalam Kelompok

Proyek nyata dikerjakan tim, bukan satu orang — pembagian peran berikut membantu kelompok Anda bekerja seimbang.

Data Engineer

Mengumpulkan, membersihkan, dan menggabungkan data (tahap 1–3). Memastikan data siap dianalisis.

Data Analyst / Modeler

Menjalankan EDA, membangun & mengevaluasi model (tahap 4–6). Menjustifikasi pilihan metode.

Business Translator

Menerjemahkan hasil jadi insight, menyusun dashboard & slide presentasi (tahap 7). Memimpin presentasi.

Peran boleh tumpang tindih di kelompok kecil, tapi setiap anggota wajib bisa menjelaskan seluruh alur proyek saat presentasi — dosen boleh bertanya ke siapa saja.

Pembagian tiga peran ini mencerminkan struktur tim data science yang umum dijumpai di perusahaan seperti Bank Mandiri atau Tokopedia, tempat data engineer, data analyst, dan orang yang menjembatani ke bisnis biasanya adalah orang atau tim yang berbeda meskipun saling berkolaborasi erat. Perhatikan catatan penting di callout, meskipun tugas dibagi, setiap anggota kelompok tetap wajib memahami keseluruhan alur proyek, karena saat presentasi Pertemuan 14 nanti, dosen dapat bertanya kepada anggota mana pun, bukan hanya kepada yang mempresentasikan. Pembagian peran yang jelas sejak awal juga mencegah situasi di mana satu atau dua orang mengerjakan seluruh proyek sementara anggota lain pasif, sebuah masalah umum dalam kerja kelompok yang akan memengaruhi penilaian individu. Silakan diskusikan dan sepakati pembagian peran ini di dalam kelompok Anda sebelum meninggalkan kelas hari ini, karena waktu pengerjaan proyek hanya sampai Pertemuan 14.

Rubrik Penilaian Proyek Akhir — Hitung dari Nol

Nilai akhir proyek adalah rata-rata tertimbang (weighted average) lima komponen. Contoh simulasi nilai Kelompok A:

Langkah	Perhitungan	Nilai
Data & EDA (bobot 20%), nilai 90	90 × 20%	18,00
Modeling (bobot 25%), nilai 85	85 × 25%	21,25
Evaluasi Model (bobot 15%), nilai 80	80 × 15%	12,00
Insight Bisnis (bobot 25%), nilai 88	88 × 25%	22,00
Komunikasi/Presentasi (bobot 15%), nilai 92	92 × 15%	13,80

Nilai Akhir Kelompok A

87,05

18,00 + 21,25 + 12,00 + 22,00 + 13,80 = 87,05 (kategori sangat baik)

Perhatikan bahwa bobot tertinggi ada pada modeling dan insight bisnis, masing-masing 25 persen, karena keduanya adalah jantung dari proyek data science, sedangkan data dan EDA yang menjadi fondasi tetap penting namun berbobot sedikit lebih rendah yaitu 20 persen. Cara menghitung nilai akhir sangat sederhana: kalikan nilai tiap komponen dengan bobotnya dalam bentuk desimal, lalu jumlahkan seluruh hasilnya, persis seperti menghitung indeks prestasi semester Anda yang mengalikan nilai mata kuliah dengan bobot SKS. Kelompok A pada contoh ini memperoleh nilai akhir 87,05 yang termasuk kategori sangat baik, meski nilai evaluasi model mereka relatif paling rendah di antara komponen lain yaitu 80, hal ini menunjukkan bahwa kekuatan di komunikasi dan insight bisnis bisa mengangkat nilai keseluruhan. Simpan rubrik ini sebagai acuan kerja kelompok Anda mulai hari ini sampai presentasi Pertemuan 14, dan pastikan tidak ada satu komponen pun yang diabaikan sama sekali.

Coba Sendiri: Hitung Nilai Akhir Kelompok Anda

Masukkan nilai tiap komponen kelompok Anda sendiri dan lihat nilai akhir tertimbangnya terhitung otomatis sesuai bobot rubrik.

Timeline Pengerjaan: Pertemuan 13 → 14

Dua pertemuan (satu minggu) untuk menyelesaikan seluruh proyek — kelola waktu kelompok Anda seperti jadwal berikut.

Timeline ini bukan aturan kaku, melainkan panduan alokasi waktu agar kelompok Anda tidak menghabiskan seluruh minggu hanya pada satu tahap, misalnya terlalu lama membersihkan data sehingga tidak sempat menyusun dashboard yang rapi. Perhatikan bahwa evaluasi model, penyusunan insight, dan penyusunan slide presentasi sengaja diletakkan sejajar sekitar dua hari sebelum Pertemuan 14, karena ketiganya saling bergantung dan sebaiknya dikerjakan oleh anggota tim yang berbeda secara paralel, sesuai pembagian peran yang sudah dibahas sebelumnya. Pengalaman dari kelompok-kelompok sebelumnya menunjukkan bahwa proyek yang gagal biasanya karena baru mulai menyusun slide presentasi pada malam sebelum Pertemuan 14, sehingga insight bisnis yang seharusnya menjadi kekuatan utama proyek malah tergesa-gesa dan dangkal. Gunakan waktu di sisa Pertemuan 13 ini untuk menyepakati timeline serupa di dalam kelompok Anda masing-masing.

Kesalahan Umum yang Wajib Dihindari

Berdasarkan pola proyek mahasiswa sebelumnya — hindari lima jebakan ini agar nilai kelompok Anda tidak turun.

Kesalahan Teknis

Lompat langsung ke modeling tanpa EDA — outlier/data kotor merusak hasil model.
Hanya melaporkan akurasi, mengabaikan precision/recall yang lebih relevan untuk kasus bisnis.

Kesalahan Non-Teknis

Slide presentasi berisi tabel mentah/kode, bukan insight yang diringkas.
Pembagian kerja tidak merata — satu orang mengerjakan semua tahap.

Kelima kesalahan ini dikumpulkan dari pola berulang pada proyek-proyek mahasiswa mata kuliah sejenis di tahun-tahun sebelumnya, jadi anggap slide ini sebagai daftar peringatan dini sebelum kelompok Anda mulai bekerja. Melompat langsung ke modeling tanpa EDA adalah kesalahan paling sering terjadi karena mahasiswa tergesa-gesa ingin segera "membuat model", padahal seperti yang sudah kita hitung tadi, outlier yang tidak terdeteksi bisa merusak keakuratan model tanpa disadari. Menumpuk tabel mentah atau potongan kode di slide presentasi juga sering terjadi karena kelompok kehabisan waktu di akhir, padahal audiens presentasi seperti dosen penguji justru ingin melihat insight yang sudah diringkas, bukan proses mentahnya. Pembagian kerja yang tidak merata biasanya baru terlihat saat sesi tanya-jawab, ketika satu anggota tidak bisa menjawab pertanyaan tentang bagian proyek yang sebenarnya dikerjakan rekannya sendiri, jadi pastikan seluruh anggota memahami seluruh alur seperti yang sudah ditekankan sebelumnya.

Bagian 3

Tugas & Langkah Selanjutnya

Kickoff proyek kelompok Anda, dimulai hari ini, dipresentasikan pada Pertemuan 14.

Instruksi Tugas: Kickoff Proyek Kelompok

Kerjakan langkah berikut bersama kelompok Anda selama sisa waktu kelas hari ini.

Langkah Kerja Hari Ini

1Sepakati kasus bisnis & dataset (boleh dataset latihan kelas atau dataset publik sederhana).
2Tulis 1 pertanyaan bisnis yang terukur (seperti contoh churn di atas).
3Bagi peran: Data Engineer, Analyst/Modeler, Business Translator.
4Susun timeline kerja mengikuti pola slide sebelumnya.

Ketentuan

Kelompok 3–4 orang (sesuai pembagian dosen).
Metode analisis minimal mencakup 1 teknik EDA + 1 teknik model (klaster/regresi/klasifikasi).
Serahkan draf pertanyaan bisnis & pembagian peran ke dosen sebelum kelas berakhir.

Slide instruksi ini sengaja tidak dianimasikan bertahap agar Anda bisa langsung membaca seluruh isinya sekaligus sebagai acuan kerja kelompok tanpa harus mengklik maju satu per satu. Empat langkah kerja di sini mengikuti persis pola yang sudah dibahas sepanjang pertemuan hari ini, mulai dari menyepakati kasus bisnis, merumuskan pertanyaan yang terukur, membagi peran, hingga menyusun timeline, jadi jangan ragu untuk membuka kembali slide-slide sebelumnya sebagai referensi saat kelompok Anda bekerja. Ketentuan minimal satu teknik EDA dan satu teknik model sengaja dibuat fleksibel agar kelompok bisa memilih kasus yang paling menarik minat mereka, apakah itu prediksi churn seperti contoh, segmentasi pelanggan UMKM, atau analisis sentimen ulasan produk. Pastikan draf pertanyaan bisnis dan pembagian peran diserahkan sebelum kelas berakhir hari ini, karena ini menjadi bukti bahwa kelompok Anda sudah memulai proyek dengan arah yang jelas, bukan menunda semuanya sampai malam sebelum Pertemuan 14.

Checklist Deliverable Akhir (Pertemuan 14)

Empat berkas yang wajib disiapkan kelompok Anda sebelum sesi presentasi — sesuai bobot rubrik yang sudah dibahas.

1. Laporan Tertulis

Ringkasan tiap tahap siklus (define–communicate), termasuk justifikasi pemilihan metode.

2. Kode Analisis

Notebook R/Python yang bisa dijalankan ulang — bukti proses EDA & modeling nyata.

3. Dashboard/Visualisasi

Ringkasan visual insight utama, mengikuti prinsip "lakukan/hindari" slide sebelumnya.

4. Slide Presentasi

Maks 10 slide: konteks → temuan → rekomendasi bisnis, dipresentasikan seluruh anggota.

Keempat deliverable ini bukan daftar terpisah, melainkan cerminan langsung dari kelima komponen rubrik penilaian yang sudah kita hitung bersama tadi, jadi pastikan tidak ada satu pun yang terlewat saat menjelang Pertemuan 14. Laporan tertulis dan kode analisis membuktikan kedalaman kerja teknis kelompok Anda, mirip laporan audit yang harus bisa ditelusuri ulang oleh pihak lain, sementara dashboard dan slide presentasi membuktikan kemampuan komunikasi yang sama pentingnya. Batas maksimal 10 slide presentasi sengaja ditetapkan agar kelompok Anda berlatih memilih informasi yang benar-benar penting, bukan memasukkan semua yang sudah dikerjakan, persis seperti keterampilan yang dituntut saat presentasi ke direksi perusahaan sungguhan. Simpan checklist ini dan cocokkan satu per satu sebelum jadwal Pertemuan 14 tiba, agar tidak ada kejutan di menit-menit terakhir.

Ringkasan & Refleksi Pertemuan 13

Hari ini kita tidak menambah teknik baru — kita belajar merangkai semua teknik menjadi satu proyek yang utuh dan bermakna bisnis.

Poin Kunci

Siklus data science adalah satu alur terhubung (define–communicate), bukan bab-bab lepas.
Metrik model (akurasi, recall) harus dibaca dalam konteks biaya kesalahan bisnis, bukan angka mutlak.
Insight yang tidak berujung rekomendasi tindakan — belum selesai.
Proyek akhir dinilai lewat rubrik tertimbang: data, modeling, evaluasi, insight, komunikasi.

Langkah selanjutnya: lanjutkan kerja kelompok di luar kelas, siapkan seluruh deliverable, dan bertemu lagi di Pertemuan 14 untuk presentasi akhir.

Sampai di penghujung Pertemuan 13, mari kita rangkum bahwa tujuan hari ini bukan mempelajari alat baru seperti pertemuan-pertemuan sebelumnya, melainkan melatih kemampuan menyatukan seluruh alat yang sudah Anda kuasai menjadi satu proyek yang punya makna bisnis nyata, sebuah keterampilan yang jauh lebih dicari di dunia kerja daripada sekadar menghafal satu algoritma. Ingat kembali contoh churn BelanjaKita, di mana akurasi 85 persen ternyata menyembunyikan masalah recall yang rendah, sebuah pengingat bahwa angka model harus selalu dibaca dengan mempertimbangkan konsekuensi bisnisnya, bukan diterima begitu saja sebagai kabar baik. Pastikan kelompok Anda membawa pulang tiga hal dari pertemuan ini yaitu kasus bisnis yang sudah disepakati, pembagian peran yang jelas, dan timeline kerja menuju Pertemuan 14. Sampai jumpa di Pertemuan 14 untuk melihat kelompok Anda mempresentasikan proyek akhir yang telah merangkai seluruh siklus sains data menjadi satu cerita bisnis yang utuh.

📖 Baca juga: Dcf Valuation — penjelasan mendalam dan contoh numerik.