Program Studi Bisnis Digital • Laboratorium Sains Data

Proyek Akhir Data Science

Pertemuan 14 — Kolaborasi & Presentasi Tim

Merangkai seluruh siklus data science yang sudah dipelajari sejak pertemuan 1 menjadi satu proyek tim yang utuh, siap dipresentasikan seperti laporan analitik sungguhan ke pemangku kepentingan bisnis.

RPS MINGGU 15 • 2 × 50 MENIT

Selamat datang di Pertemuan 14, Anda sudah menempuh perjalanan panjang sejak pertemuan pertama: mulai dari mengenal data science dan big data, siklus analisis, pemrograman R dan Python, eksplorasi data, klastering, aturan asosiasi, regresi, klasifikasi, analisis teks, teknologi big data, sampai visualisasi dan komunikasi hasil. Hari ini dan pertemuan berikutnya adalah puncaknya, yaitu proyek akhir, tempat Anda menggabungkan semua keterampilan itu dalam satu studi kasus bisnis nyata bersama tim. Bayangkan Anda bekerja seperti tim analitik di Tokopedia atau Bank BCA yang diminta menganalisis data pelanggan lalu mempresentasikan temuan ke manajemen dalam waktu terbatas. Fokus pertemuan ini bukan lagi mempelajari teknik baru, melainkan mengintegrasikan, berkolaborasi sebagai tim, dan mengomunikasikan hasil secara meyakinkan.

Tujuan Pembelajaran Hari Ini

Sub-CPMK minggu ini: mahasiswa mampu mengintegrasikan seluruh siklus data science dalam proyek tim dan mengomunikasikan hasilnya. Secara rinci, setelah pertemuan ini Anda mampu:

CAPAIAN 1 — INTEGRASI

Menyusun proyek data science yang merangkai definisi masalah, pengumpulan data, EDA, pemodelan, hingga interpretasi menjadi satu alur yang koheren.

CAPAIAN 2 — KOLABORASI & PRESENTASI

Membagi peran tim secara jelas, menyusun laporan/dek presentasi, dan menyampaikan rekomendasi bisnis yang dapat ditindaklanjuti.

Anggap pertemuan ini sebagai gladi resik sebelum presentasi final Pertemuan 15 — hari ini Anda menyusun kerangka lengkap, minggu depan Anda tampil di depan kelas.

Bagian 1 dari 3

Merangkai Siklus Data Science yang Utuh

Menoleh ke belakang: satu peta besar yang menyatukan semua yang sudah dipelajari sejak pertemuan 1.

Siklus CRISP-DM Integrasi Teknik

Peta Siklus Data Science: Dari Masalah ke Keputusan

Proyek akhir memakai kerangka CRISP-DM (Cross-Industry Standard Process for Data Mining), siklus standar industri yang sudah kita jalani diam-diam sejak pertemuan 2.

Tahap 4 (modelkan) adalah tempat Anda memilih teknik dari materi pertemuan 5–9: klastering, aturan asosiasi, regresi, klasifikasi, atau analisis teks — sesuai jenis pertanyaan bisnisnya.

Diagram ini merangkum apa yang sebenarnya sudah Anda lakukan sepanjang semester tanpa selalu menyadari namanya. CRISP-DM adalah standar industri yang dipakai perusahaan seperti IBM dan digunakan hampir semua tim data science di dunia, termasuk di startup-startup Indonesia. Perhatikan bahwa tahap keempat, memodelkan, bukan satu teknik tunggal — di situlah Anda memilih apakah masalah bisnis timnya cocok dijawab dengan klastering seperti mengelompokkan pelanggan Shopee berdasarkan perilaku belanja, aturan asosiasi seperti menemukan produk yang sering dibeli bersamaan di minimarket, regresi untuk memprediksi angka seperti omzet bulanan, atau klasifikasi untuk memprediksi kategori seperti apakah nasabah bank akan gagal bayar. Garis putus-putus di bawah menunjukkan siklus bisa berulang, karena dalam praktik nyata temuan di tahap akhir sering memaksa tim kembali mendefinisikan ulang masalah bisnisnya.

Langkah 1: Merumuskan Masalah Bisnis yang Tajam

Proyek data science yang baik dimulai dari pertanyaan bisnis yang jelas, bukan dari data yang kebetulan tersedia. Pertanyaan yang kabur menghasilkan analisis yang kabur.

CONTOH PERTANYAAN LEMAH

"Analisis data penjualan toko online."
"Cari pola di data pelanggan."
Terlalu luas — tidak jelas teknik apa yang dipakai atau keputusan apa yang dihasilkan.

CONTOH PERTANYAAN TAJAM

"Pelanggan mana yang berisiko berhenti belanja (churn) di UMKM fesyen online ini bulan depan?"
"Produk apa yang sebaiknya dipromosikan bersamaan di minimarket X berdasarkan pola transaksi?"
Jelas menuju satu teknik (klasifikasi/asosiasi) dan satu keputusan bisnis konkret.

Uji pertanyaan tim Anda dengan satu tes sederhana: "Jika kami tahu jawabannya, keputusan apa yang akan berubah?" Jika tidak ada jawaban, pertanyaannya masih terlalu kabur.

Langkah 2: Memilih Teknik Sesuai Jenis Pertanyaan

Setiap jenis pertanyaan bisnis punya "keluarga teknik" yang paling cocok — ini peta cepat untuk membantu tim memilih dari materi pertemuan 5–9.

Jenis Pertanyaan Bisnis	Teknik yang Cocok	Contoh Kasus
"Kelompok apa saja yang ada dalam data ini?"	Klastering (K-Means)	Segmentasi pelanggan Shopee berdasarkan frekuensi & nilai belanja
"Produk apa sering dibeli bersamaan?"	Aturan Asosiasi	Rekomendasi bundling produk minimarket
"Berapa nilai/angka yang akan terjadi?"	Regresi Linier	Prediksi omzet bulanan UMKM dari biaya iklan
"Termasuk kategori apa data ini?"	Klasifikasi (Decision Tree/Naive Bayes)	Prediksi nasabah gagal bayar di bank
"Apa yang orang rasakan/katakan?"	Analisis Teks & Sentimen	Sentimen ulasan produk di Tokopedia

Langkah 3: Data yang Realistis untuk Proyek Tim

Tim boleh memakai data sendiri (survei UMKM, scraping publik yang legal) atau dataset publik siap pakai. Yang penting: data relevan dengan pertanyaan bisnis dan cukup bersih untuk dianalisis dalam waktu terbatas.

SUMBER DATA

Data internal UMKM/mitra, dataset Kaggle, data BPS/OJK terbuka, atau kuesioner tim sendiri.

UKURAN WAJAR

Cukup ratusan hingga beberapa ribu baris — fokus pada kedalaman analisis, bukan volume data.

CEK ETIKA DATA

Tidak ada data pribadi sensitif (NIK, nomor rekening) tanpa anonimisasi; sumber legal & disebutkan.

Ingat dari pertemuan 3–4: alokasikan waktu untuk pembersihan data (missing value, duplikat, format tanggal) sebelum pemodelan — ini sering memakan 60–70% waktu proyek nyata.

Bagian 2 dari 3

Kolaborasi Tim: Peran, Alur Kerja, Alat

Data science jarang dikerjakan sendirian — belajar membagi peran seperti tim analitik sungguhan.

Pembagian Peran Alur Kerja Tim

Empat Peran dalam Tim Proyek Data Science

Tim idealnya 3–5 orang. Peran boleh dirangkap untuk tim kecil, tapi semua tanggung jawab berikut harus ada yang memegang.

1. DATA LEAD

Mengumpulkan & membersihkan data
Menjamin data konsisten untuk semua anggota
Dokumentasi sumber & keterbatasan data

2. ANALYST/MODELER

Menjalankan EDA & pemodelan (klastering/regresi/klasifikasi)
Mengevaluasi & memilih model terbaik
Mendokumentasikan kode & hasil

3. VISUALIZATION LEAD

Membuat visualisasi efektif (pertemuan 11)
Menjaga konsistensi gaya grafik & slide
Menerjemahkan angka jadi gambar yang jelas

4. PRESENTATION LEAD

Merangkai narasi & struktur presentasi (pertemuan 12)
Memastikan rekomendasi bisnis tersampaikan jelas
Koordinasi latihan presentasi tim

Alur Kerja Tim: Paralel, Bukan Berurutan

Tim yang efisien tidak menunggu satu tahap selesai 100% baru mulai tahap berikutnya — sebagian pekerjaan bisa berjalan paralel.

Kunci kolaborasi paralel: data lead menyelesaikan data bersih lebih dulu, lalu analyst dan visualization lead bekerja bersamaan dari data yang sama — presentation lead merangkai di akhir.

Alat Bantu Kolaborasi Tim yang Sederhana

Tidak perlu alat canggih — tiga alat dasar ini cukup untuk menjaga tim tetap sinkron selama proyek dua pertemuan.

GOOGLE COLAB/DRIVE

Notebook Python/R bersama, satu file, semua anggota bisa edit
Riwayat versi otomatis

PAPAN TUGAS (TRELLO/SHEET)

Daftar tugas per peran & status (belum/proses/selesai)
Transparan siapa mengerjakan apa

GRUP KOMUNIKASI

WhatsApp/Discord untuk koordinasi cepat
Rapat singkat 10 menit tiap awal sesi kerja

Hindari kerja "silo": jika satu anggota membersihkan data di file terpisah tanpa membagikannya, anggota lain akan menganalisis versi data yang berbeda-beda — hasil proyek jadi tidak konsisten.

Contoh Kasus 1: Rapat Tim Menentukan Teknik yang Tepat

Sebuah tim mendapat data transaksi UMKM fesyen online dengan 800 pelanggan. Ikuti bagaimana tim menentukan teknik yang tepat langkah demi langkah.

1 Masalah bisnis: pemilik UMKM ingin tahu "siapa pelanggan setia yang layak diberi promo khusus?"
2 Data tersedia: frekuensi belanja, total belanja, dan rentang waktu sejak transaksi terakhir per pelanggan — tanpa label kategori apa pun.
3 Tidak ada label target (bukan "setia/tidak setia" yang sudah diketahui) → ini bukan soal klasifikasi.
4 Tim memilih klastering (K-Means) untuk mengelompokkan pelanggan berdasarkan pola belanja, lalu menafsirkan tiap klaster secara bisnis (mis. "pelanggan setia bernilai tinggi").

Contoh Kasus 2: Rapat Tim Menentukan Teknik (Lanjutan)

Tim yang sama kemudian mendapat pertanyaan lanjutan dari pemilik UMKM. Ikuti bagaimana teknik berubah karena jenis pertanyaannya berbeda.

1 Pertanyaan baru: "dari histori 2 tahun terakhir, pelanggan mana yang kemungkinan besar berhenti belanja bulan depan?"
2 Data tambahan tersedia: histori pelanggan yang sudah diketahui berhenti (churn) vs masih aktif — ada label target yang jelas.
3 Karena ada label target kategori (churn/tidak) → ini masalah klasifikasi, bukan lagi klastering.
4 Tim memilih decision tree agar hasil mudah dijelaskan ke pemilik UMKM ("jika frekuensi belanja < 1x/3 bulan, risiko churn tinggi") — lebih mudah dipahami non-teknis daripada model rumit.

Bagian 3 dari 3

Menyusun Presentasi yang Meyakinkan

Struktur, kriteria penilaian, dan checklist praktis sebelum presentasi final minggu depan.

Struktur Dek Rubrik Penilaian

Struktur Dek Presentasi Proyek Akhir (8–10 Slide)

Ikuti struktur naratif dari pertemuan 12: mulai dari masalah, bukan dari metode — audiens bisnis peduli pada keputusan, bukan detail teknis.

Urutan	Isi Slide	Fokus Pesan
1	Judul & tim	Nama proyek, anggota tim & peran
2	Masalah bisnis	Satu pertanyaan tajam yang dijawab proyek
3	Data & metode singkat	Sumber data, ukuran, teknik yang dipakai (ringkas, bukan detail kode)
4–6	Temuan utama	Visualisasi kunci + interpretasi bisnis tiap temuan
7	Rekomendasi	Tindakan konkret yang disarankan ke pemangku kepentingan
8	Keterbatasan & langkah lanjut	Kejujuran ilmiah: apa yang belum terjawab

Rubrik Penilaian Proyek Akhir: Apa yang Dinilai?

Empat komponen dengan bobot berbeda — pahami ini sebagai peta prioritas waktu tim selama dua pertemuan.

KETEPATAN TEKNIK — 30%

Apakah teknik (klastering/regresi/klasifikasi/dll) sesuai dengan jenis pertanyaan bisnis?

KUALITAS INTERPRETASI — 30%

Apakah hasil model diterjemahkan jadi insight bisnis yang bermakna, bukan sekadar angka mentah?

KOLABORASI TIM — 20%

Pembagian peran jelas, kontribusi merata, koordinasi terlihat dari hasil kerja.

KUALITAS PRESENTASI — 20%

Struktur naratif, visualisasi efektif, kejelasan rekomendasi & kepercayaan diri saat presentasi.

Hitung Bersama: Alokasi Waktu Tim dalam 2 Pertemuan

Tim beranggotakan 4 orang punya total 4 orang × 100 menit (2 pertemuan) waktu kerja terjadwal di kelas. Bagaimana idealnya dialokasikan mengikuti bobot rubrik?

Langkah	Perhitungan	Nilai
Total menit kerja tim terjadwal	4 orang × 100 menit	400 menit
Alokasi teknik + interpretasi (60% bobot rubrik)	60% × 400 menit	240 menit
Alokasi kolaborasi/koordinasi (20% bobot rubrik)	20% × 400 menit	80 menit
Alokasi presentasi (20% bobot rubrik)	20% × 400 menit	80 menit

PESAN UTAMA

240 menit

untuk analisis teknik & interpretasi — jangan habiskan waktu di slide desain sebelum modelnya benar

Lima Kesalahan Umum Proyek Akhir yang Harus Dihindari

Berdasarkan pola kesalahan proyek akhir data science yang sering terjadi — hindari sejak rapat tim pertama.

1. Mulai dari data, bukan masalah — hasilnya analisis tanpa arah yang jelas.
2. Memilih teknik karena "terlihat canggih", bukan karena sesuai jenis pertanyaan.
3. Berhenti di angka, tidak sampai interpretasi bisnis — melaporkan "akurasi 85%" tanpa menjelaskan artinya bagi bisnis.
4. Kerja silo — anggota tim bekerja dengan versi data/hasil yang berbeda-beda.
5. Slide penuh kode & tabel mentah — audiens bisnis kehilangan minat dalam 10 detik pertama.

Tim yang menghindari kelima kesalahan ini biasanya sudah otomatis memenuhi sebagian besar kriteria rubrik penilaian di slide sebelumnya.

Latihan Kelas: Kick-off Rapat Tim Proyek Akhir

Sisa waktu pertemuan ini dipakai untuk rapat tim perdana — hasilnya dikumpulkan sebagai draf kerangka proyek sebelum presentasi final Pertemuan 15.

INSTRUKSI (KERJAKAN BERSAMA TIM, 60 MENIT)

Langkah 1 (10 menit): tentukan satu pertanyaan bisnis tajam mengikuti tes "keputusan apa yang berubah?" dari slide 5.
Langkah 2 (10 menit): cocokkan pertanyaan dengan teknik memakai tabel peta teknik di slide 6.
Langkah 3 (15 menit): bagi empat peran tim (data lead, analyst, visualization lead, presentation lead) & tentukan sumber data.
Langkah 4 (15 menit): susun kerangka 8–10 judul slide mengikuti struktur di slide 15 — belum perlu isi lengkap.
Langkah 5 (10 menit): setiap tim menyampaikan 1 menit ringkasan pertanyaan bisnis & teknik yang dipilih ke seluruh kelas.

Kumpulkan hasil (pertanyaan bisnis, teknik, peran tim, kerangka slide) melalui platform kelas sebelum sesi berakhir — ini jadi dasar presentasi final Pertemuan 15.

Ringkasan & Menuju Presentasi Final Pertemuan 15

Hari ini Anda merangkai seluruh siklus data science satu semester menjadi kerangka proyek tim yang siap dipresentasikan.

YANG SUDAH DIKUASAI HARI INI

Merumuskan pertanyaan bisnis yang tajam
Memetakan pertanyaan ke teknik yang tepat
Membagi peran & alur kerja tim secara paralel
Menyusun struktur presentasi berbasis rekomendasi bisnis

PERSIAPAN SEBELUM PERTEMUAN 15

Selesaikan analisis & visualisasi sesuai kerangka slide
Latihan presentasi tim minimal 1 kali (maksimal 10 menit)
Siapkan jawaban untuk pertanyaan keterbatasan & langkah lanjut
Semua anggota memahami seluruh bagian proyek, bukan hanya bagiannya sendiri