Friday, February 06, 2026

Menjadi Data Analyst dari Nol (Part 18)

Komentar

 


Data Cleaning & Data Transformation Menggunakan SQL (Studi Kasus Nyata Data Analyst)

(lanjutan dari Part 2 – Studi Kasus SQL Data Analyst)

Pendahuluan

Di dunia nyata, tugas Data Analyst jarang langsung “query → insight”.

Yang paling sering terjadi justru:

👉 data berantakan
👉 duplikat
👉 format tidak konsisten
👉 nilai kosong
👉 kolom tidak rapi

Inilah fase yang sering memakan 60–70% waktu kerja seorang Data Analyst:
Data Cleaning & Data Transformation.

Di Part 3 ini, kita akan lanjutkan studi kasus manufaktur sebelumnya, dan fokus ke:

✅ membersihkan data menggunakan SQL
✅ menyiapkan dataset agar siap dianalisis
✅ membangun mindset “real-world Data Analyst”

Dataset Awal (Raw Data)

Misalnya kita punya tabel:

manufacturing_sales_raw

Contoh masalah umum:

• Order ID duplikat
• Customer name tidak konsisten (uppercase/lowercase)
• Qty kosong
• Revenue berbentuk text
• Tanggal format berbeda
• Produk sama tapi penamaan beda

Ini kondisi normal di lapangan.

1️⃣ Menghapus Data Duplikat

Langkah pertama: identifikasi duplikat.

SELECT order_id, COUNT(*)
FROM manufacturing_sales_raw
GROUP BY order_id
HAVING COUNT(*) > 1;

Jika sudah ketemu, kita buat CTE:

WITH cte AS (
SELECT *,
ROW_NUMBER() OVER(PARTITION BY order_id ORDER BY order_date) rn
FROM manufacturing_sales_raw
)

DELETE FROM cte WHERE rn > 1;

👉 Result: hanya 1 baris per order_id.

2️⃣ Standarisasi Nama Customer & Produk

SQL sangat powerful untuk normalisasi text:

UPDATE manufacturing_sales_raw
SET customer_name = UPPER(customer_name);

Untuk produk:

UPDATE manufacturing_sales_raw
SET product = TRIM(product);

Tujuannya supaya:

• “Widget A”
• “widget a”
• “Widget A ”

jadi satu versi saja.

3️⃣ Menangani Nilai Kosong (NULL)

Qty kosong? Revenue kosong?

UPDATE manufacturing_sales_raw
SET qty = 0
WHERE qty IS NULL;

Revenue:

UPDATE manufacturing_sales_raw
SET revenue = qty * price
WHERE revenue IS NULL;

Mindset penting:

👉 jangan biarkan NULL tanpa alasan bisnis.

4️⃣ Convert Kolom Text Menjadi Numeric

Kasus umum:

Revenue tersimpan sebagai TEXT.

CAST(revenue AS INTEGER)

atau

CAST(revenue AS FLOAT)

Ini penting supaya bisa dipakai untuk agregasi.

5️⃣ Membuat Kolom Baru (Derived Column)

Contoh bikin kolom total_sales:

ALTER TABLE manufacturing_sales_raw
ADD COLUMN total_sales FLOAT;

UPDATE manufacturing_sales_raw
SET total_sales = qty * price;

Sekarang dataset sudah siap untuk analisis.

6️⃣ Final Clean Dataset

Kita simpan hasil bersih:

CREATE TABLE manufacturing_sales_clean AS
SELECT
order_id,
order_date,
customer_name,
product,
qty,
price,
qty * price AS total_sales
FROM manufacturing_sales_raw;

Inilah table yang biasanya dipakai untuk:

👉 dashboard
👉 reporting
👉 business insight

Mindset Data Analyst: Bukan Cuma Query

Banyak pemula berpikir Data Analyst itu:

“SELECT, JOIN, selesai.”

Padahal real job:

✅ memahami struktur data
✅ membersihkan data
✅ standarisasi
✅ validasi angka
✅ baru analisis

SQL hanyalah alat.

Yang paling penting: cara berpikir.

Kesimpulan

Di Part 3 ini kita belajar bahwa:

✔ Data mentah hampir selalu kotor
✔ Cleaning adalah bagian terbesar dari pekerjaan DA
✔ SQL bisa digunakan bukan hanya untuk query, tapi juga transformasi data
✔ Dataset yang rapi = insight yang akurat


Next Part 🚀

Di Part 4 nanti kita akan masuk ke:

👉 Exploratory Data Analysis (EDA) menggunakan SQL
👉 mencari tren penjualan
👉 produk terlaris
👉 customer paling profitable
👉 insight bisnis nyata

Baca selengkapnya

Thursday, February 05, 2026

Menjadi Data Analyst dari Nol (Part 17)

Komentar

 


Studi Kasus SQL Data Analyst

Halo Data Enthusiast! 👋
Di Part 1, kita sudah bahas dasar SQL untuk Data Analyst dan bagaimana mempersiapkan data untuk analisis. Nah, di Part 2, kita akan langsung praktek studi kasus SQL nyata menggunakan data manufaktur, supaya lo bisa belajar cara mengolah data mentah menjadi insight bisnis.

Studi Kasus: Data Produksi Manufaktur

Misal lo punya tabel produksi seperti ini:

Tabel Produksi

id_produknama_produkjumlah_produksitanggal_produksishift
1Widget A1002026-02-011
2Widget B1502026-02-012
1Widget A1202026-02-021
3Widget C2002026-02-023

Tujuan lo:

  1. Tahu total produksi tiap produk

  2. Tahu produk mana yang paling banyak diproduksi

  3. Tahu rata-rata produksi per shift

1️⃣ Total Produksi Tiap Produk

Query SQL:

SELECT 
    nama_produk,
    SUM(jumlah_produksi) AS total_produksi
FROM Produksi
GROUP BY nama_produk
ORDER BY total_produksi DESC;

Hasil:

nama_produktotal_produksi
Widget C200
Widget A220
Widget B150

💡 Insight: Dari sini, lo langsung bisa lihat produk mana yang paling diminati atau paling banyak diproduksi.

2️⃣ Produk Terpopuler per Shift

Kadang kita mau tau shift mana paling produktif per produk. SQL bertingkat bisa bantu:

SELECT 
    shift,
    nama_produk,
    SUM(jumlah_produksi) AS total_shift
FROM Produksi
GROUP BY shift, nama_produk
ORDER BY shift, total_shift DESC;

💡 Insight: Lo bisa analisa shift yang paling efisien atau shift yang butuh improvement.

3️⃣ Rata-rata Produksi Per Shift

Biar lo bisa evaluasi performa setiap shift:

SELECT 
    shift,
    AVG(jumlah_produksi) AS rata_rata_produksi
FROM Produksi
GROUP BY shift
ORDER BY shift;

💡 Insight: Dengan ini, lo bisa nemuin shift yang over-performing atau under-performing, lalu ambil keputusan strategis.

Kesimpulan & Tips SQL

  • GROUP BY + SUM/AVG = kunci analisis produksi

  • ORDER BY = bantu lo cepat lihat produk/shift terbaik

  • SQL bertingkat / subquery = efektif buat analisis lebih kompleks

  • Selalu validasi data mentah sebelum analisis, supaya insight lo valid

Baca selengkapnya

Wednesday, February 04, 2026

Menjadi Data Analyst dari Nol (Part 16)

Komentar


SQL untuk Data Analyst: Panduan Lengkap dari Nol Sampai Siap Kerja (Dengan Contoh Nyata)

Apa Itu SQL dan Kenapa Wajib Dikuasai Data Analyst?

Kalau lo pengen jadi Data Analyst serius, ada satu skill yang hampir selalu muncul di job requirement:

👉 SQL

SQL (Structured Query Language) adalah bahasa yang digunakan untuk mengambil, mengolah, dan menganalisa data langsung dari database.

Hampir semua perusahaan menyimpan data mereka di database:

  • MySQL

  • PostgreSQL

  • SQL Server

  • BigQuery

  • Oracle

Dan tugas Data Analyst adalah:

✅ mengambil data
✅ membersihkan data
✅ menggabungkan tabel
✅ menghitung metrik
✅ menghasilkan insight bisnis

Semua itu dilakukan pakai SQL.

Singkatnya:

Excel itu penting.
Power BI penting.
Tapi SQL adalah tulang punggung Data Analyst.

Peran SQL dalam Workflow Data Analyst

Di dunia kerja, alurnya biasanya seperti ini:

1. Ambil data dari database

SELECT *
FROM sales;

2. Filter data yang relevan

SELECT *
FROM sales
WHERE tanggal >= '2025-01-01';

3. Agregasi (SUM, COUNT, AVG)

SELECT product,
SUM(revenue) AS total_revenue
FROM sales
GROUP BY product;

4. Join antar tabel

SELECT a.nama, b.total_sales
FROM customer a
JOIN sales b ON a.id = b.customer_id;

5. Kirim hasil ke BI Tools (Power BI / Tableau / Looker)

Baru setelah itu dashboard dibuat.

Artinya:

👉 SQL datang sebelum visualisasi.

Skill SQL yang Wajib Dikuasai Pemula

Kalau lo baru mulai, fokus ke ini dulu:

1. SELECT + WHERE

Ambil data sesuai kebutuhan.

2. GROUP BY + Aggregation

Untuk insight:

  • total penjualan

  • rata-rata transaksi

  • jumlah customer

3. JOIN

Gabung data dari beberapa tabel.

Ini skill paling krusial.

4. ORDER BY + LIMIT

Buat ranking:

  • produk terlaris

  • customer terbesar

5. CASE WHEN

Buat kategori otomatis.

Contoh:

CASE
WHEN revenue > 10000000 THEN 'High'
ELSE 'Low'
END

Contoh Studi Kasus (Real World)

Misal lo punya data perusahaan manufaktur:

Tabel:

  • company

  • sales

Tujuan:
Cari 5 perusahaan dengan revenue terbesar.

SELECT c.nama_perusahaan,
SUM(s.revenue) AS total_revenue
FROM company c
JOIN sales s ON c.id = s.company_id
GROUP BY c.nama_perusahaan
ORDER BY total_revenue DESC
LIMIT 5;

Boom 💥
langsung dapat insight.

Inilah kenapa SQL powerful.

SQL vs Excel: Mana Lebih Penting?

Jawaban jujurnya:

👉 Dua-duanya.

Excel cocok untuk:

  • quick analysis

  • manual reporting

  • small dataset

SQL cocok untuk:

  • big data

  • automation

  • production environment

Data Analyst profesional selalu pakai kombinasi:

Excel + SQL + BI Tools.

Learning Path SQL untuk Data Analyst (Realistis)

Kalau lo belajar dari nol:

Minggu 1:

  • SELECT

  • WHERE

  • ORDER BY

  • LIMIT

Minggu 2:

  • GROUP BY

  • SUM, COUNT, AVG

  • HAVING

Minggu 3:

  • JOIN

  • CASE WHEN

  • Subquery

Minggu 4:

  • Real dataset

  • Mini project

  • Dashboard integration

Ini sudah cukup buat entry level.

Penutup

SQL bukan sekadar bahasa query.

SQL adalah alat berpikir Data Analyst.

Kalau lo bisa SQL:

✅ lo lebih cepat dapet data
✅ lo lebih fleksibel bikin insight
✅ lo lebih siap masuk dunia kerja

Mulai dari query kecil.
Latihan tiap hari.
Pakai data nyata.

Dan satu hal:

Jangan tunggu jago baru mulai.
Mulai dulu, jagonya nyusul.

Next Artikel :

🔥 Part 2 – Studi Kasus SQL Data Analyst
🔥 Artikel SEO: SQL vs Power BI
🔥 Mini project SQL untuk portfolio

🔥 Query cheat sheet PDF 

Baca selengkapnya

Tuesday, February 03, 2026

Menjadi Data Analyst dari Nol (Part 15)

Komentar


 

Project Apa yang Layak Ditampilkan di Portfolio Data Analyst? (Panduan Pemula)

Kenapa Memilih Project Itu KRUSIAL untuk Portfolio Data Analyst?

Banyak pemula kejebak di satu kesalahan klasik:

"Yang penting banyak project biar keliatan jago."

❌ Ini mindset yang salah.

Recruiter, HR, dan user tidak menghitung jumlah project.
Yang mereka lihat:

  • Cara lo menyelesaikan masalah

  • Cara lo berpikir secara analitis

  • Cara lo menjelaskan insight bisnis

Satu project realistis & rapi jauh lebih bernilai daripada 10 project asal jadi.

Prinsip Utama Memilih Project Portfolio

Sebelum kita masuk ke contoh project, pegang 3 prinsip ini:

✅ Data menyerupai dunia kerja nyata
✅ Ada proses (bukan cuma hasil)
✅ Ada insight & business value

Kalau project lo memenuhi 3 poin ini, itu layak ditampilkan.

1️⃣ Project Dashboard Penjualan (WAJIB ADA)

Ini project paling aman dan paling dicari.

Contoh kasus:

  • Dashboard penjualan harian / bulanan

  • Produk terlaris

  • Revenue per kategori / channel

Tools yang bisa dipakai:

  • Excel

  • Google Sheets

  • Power BI / Tableau / Looker Studio

Skill yang dinilai recruiter:

  • Data cleaning dasar

  • KPI awareness

  • Visualisasi data

  • Business storytelling

📌 Dashboard penjualan = bahasa universal bisnis.

2️⃣ Project Data Cleaning & Data Preparation

Di dunia kerja, 60–70% waktu Data Analyst habis di tahap ini.

Contoh kasus:

  • Data duplikat

  • Header berantakan

  • Format tanggal tidak konsisten

  • Nilai kosong (null)

Yang harus lo ceritakan:

  • Masalah awal data

  • Step cleaning

  • Tools yang digunakan

  • Hasil akhir data siap analisis

📌 Project ini nunjukin satu hal penting:

Lo siap menghadapi data kotor, bukan data cantik.

3️⃣ Project SQL Analysis (Walau Sederhana)

SQL di portfolio tidak harus ribet.

Contoh project SQL:

  • Total penjualan per bulan

  • Top 10 customer berdasarkan revenue

  • Before vs after data cleaning

Fokus penilaian recruiter:

  • Logika query

  • Pemahaman relasi data

  • Cara menjawab pertanyaan bisnis

📌 Lebih baik query sederhana tapi jelas, daripada kompleks tapi tidak relevan.

4️⃣ Project Business Insight / Case Study

Ini project yang bikin portfolio lo naik level.

Contoh kasus:

  • Kenapa penjualan turun di bulan tertentu?

  • Produk mana yang harus diprioritaskan?

  • Channel mana yang paling menguntungkan?

Struktur ideal:

  1. Problem statement

  2. Data source

  3. Analisis

  4. Insight

  5. Rekomendasi bisnis

📌 Recruiter suka analyst yang bisa berpikir, bukan cuma ngolah data.

5️⃣ Project Otomatisasi (Nilai Plus Besar)

Kalau lo punya:

  • Macro VBA

  • Power Query

  • Script Python sederhana

Masukin ke portfolio.

Contoh:

  • Dashboard auto update

  • Script cleaning data otomatis

  • Report mingguan tanpa input manual

📌 Ini nunjukin efisiensi dan mindset problem solver.

Project Seperti Apa yang TIDAK Disarankan? ❌

🚫 Dataset terlalu fiktif tanpa cerita
🚫 Project cuma screenshot chart
🚫 Tidak ada penjelasan proses
🚫 Copy-paste tutorial tanpa modifikasi

Ingat:

Portfolio adalah cermin cara berpikir lo.

Berapa Banyak Project Ideal di Portfolio?

✅ 3–5 project solid

Rekomendasi komposisi:

  • 1 Dashboard Penjualan

  • 1 Data Cleaning Project

  • 1 SQL / Business Insight Project

  • (Opsional) 1 Otomatisasi

Penutup

Portfolio Data Analyst bukan soal siapa paling jago tool.

Tapi siapa yang:

  • Paham masalah

  • Bisa menjelaskan data

  • Memberi insight yang relevan

Stay hungry. Stay curious. 📊🔥

Baca selengkapnya

Monday, February 02, 2026

Menjadi Data Analyst dari Nol (Part 14)

Komentar


 

Studi Kasus Data Analyst: Dari Data Mentah ke Insight Bisnis 🚀

Kata kunci utama: studi kasus data analyst, kerja data analyst, contoh kerja data analyst

Artikel ini membahas studi kasus Data Analyst lengkap mulai dari data mentah penjualan, pengolahan dengan SQL, pembuatan dashboard, hingga penyampaian insight ke stakeholder.

Di part ini, kita masuk ke real game seorang Data Analyst.
Bukan teori, bukan definisi. Tapi praktik nyata dari data mentah sampai insight bisnis yang bisa dipakai stakeholder.

Kalau di part sebelumnya kita bahas fondasi dan tools, sekarang kita jawab pertanyaan paling sering:

“Sebenarnya kerjaan Data Analyst itu ngapain sih dari awal sampai akhir?”

Jawabannya: mengubah data mentah jadi keputusan bisnis.

1️⃣ Studi Kasus Data Analyst: Data Penjualan Mentah

Bayangkan kamu baru masuk ke sebuah perusahaan retail / e-commerce.
Atasanmu kasih satu file Excel atau database dengan kondisi:

  • Data penjualan campur aduk

  • Banyak duplikat

  • Format tanggal berantakan

  • Tidak ada summary

Kolom data kira-kira seperti ini:

  • Order_Date

  • Product

  • Category

  • Quantity

  • Revenue

  • Channel (Online / Offline / Marketplace)

📌 Ini kondisi REAL di dunia kerja.
Hampir nggak pernah data langsung rapi.

2️⃣ SQL untuk Data Analyst: Membersihkan & Mengolah Data Penjualan

Langkah pertama Data Analyst bukan bikin chart, tapi beresin data.

Contoh query dasar:

SELECT
  DATE(order_date) AS order_date,
  product,
  category,
  SUM(quantity) AS total_qty,
  SUM(revenue) AS total_revenue
FROM sales
GROUP BY DATE(order_date), product, category;

Dari sini kita sudah:

  • Menggabungkan data duplikat

  • Menyederhanakan tanggal

  • Menghasilkan data yang siap dianalisis

📌 Insight awal biasanya mulai kelihatan di tahap ini.

3️⃣ Analisis Data untuk Menjawab Pertanyaan Bisnis

Data Analyst tidak bekerja tanpa arah.
Kita selalu mulai dari pertanyaan bisnis, misalnya:

  • Produk apa yang paling laku?

  • Penjualan naik atau turun?

  • Channel mana yang paling efektif?

Contoh query:

SELECT
  category,
  SUM(total_revenue) AS revenue
FROM cleaned_sales
GROUP BY category
ORDER BY revenue DESC;

📌 Dari sini kita bisa tahu kontributor utama revenue.

4️⃣ Dari SQL ke Dashboard (Power BI / Looker Studio)

Setelah data rapi dan pertanyaan terjawab, barulah masuk ke dashboard.

Biasanya Data Analyst akan:

  • Export hasil SQL

  • Hubungkan ke Power BI / Looker / Tableau

  • Buat visual sederhana tapi jelas

Contoh dashboard:

  • Total Revenue (KPI)

  • Trend Penjualan Harian / Bulanan

  • Top 5 Produk

  • Penjualan per Channel

⚠️ Dashboard bukan hiasan.
Dashboard adalah alat komunikasi.

5️⃣ Insight Data Analyst: Bukan Sekadar Angka

Kesalahan pemula:

“Ini chart-nya ya.”

Yang benar:

“Penjualan naik 15% karena channel online meningkat signifikan, terutama di kategori Frozen Food.”

📌 Insight = angka + alasan + dampak bisnis.

Contoh insight:

  • Produk A paling laku tapi marginnya rendah

  • Channel marketplace volume besar tapi profit kecil

  • Penjualan offline stabil tapi stagnan

6️⃣ Cara Data Analyst Menjelaskan Insight ke Stakeholder

Stakeholder tidak peduli SQL kamu secanggih apa.
Mereka peduli:

  • Apa yang terjadi?

  • Kenapa bisa begitu?

  • Apa yang harus dilakukan?

Struktur komunikasi yang aman:

  1. Kondisi saat ini

  2. Penyebab utama

  3. Rekomendasi singkat

Contoh:

“Penjualan naik 12% bulan ini, didorong oleh campaign online. Namun profit hanya naik 4% karena diskon tinggi. Rekomendasinya, optimalkan produk margin tinggi.”

Kesimpulan: Alur Kerja Data Analyst yang Sebenarnya

Inilah alur kerja nyata Data Analyst:

Data mentah → SQL → Analisis → Dashboard → Insight → Keputusan

Kalau kamu menguasai alur ini:

  • Kamu nggak akan bingung lagi belajar apa

  • Kamu lebih siap masuk dunia kerja

  • Kamu bisa bicara dengan bahasa bisnis


Artikel Selanjutnya (Lanjutan Seri Data Analyst) 🚀

Di part selanjutnya, kita akan bahas:

👉 Contoh portfolio Data Analyst untuk pemula
👉 Project apa yang layak ditampilkan
👉 Cara menjelaskan project ke HR & user
👉 Kesalahan umum portfolio yang bikin gagal

Stay hungry. Stay curious. 📊🔥

Baca selengkapnya
Subscribe to: Comments (Atom)