WELCOME CERMI WEEK 6

Alhamdulillah, Today. Selasa, 22 Oktober 2024 terdapat perkuliahan melalui Luring dan Daring yaitu, BD305 Data Science dari pukul 08.00 s/d selesai dihadiri dengan total 84 Mahasiswa, diantaranya 55 Mahasiswa hadir langsung, dan 29 mahasiswa zoom 🙏🏻🙏🏻
1. Learning Factory
2. Diskusi Enroll Class iDu
3. ⁠Diskusi Bersama & Tanya Jawab
4. Tebar SC kepada mahasiswa aktif bertanya dan sharing🚀

🚀Enroll Code : DSBD305
✨iDu BD305 – Data Science ✨

Pada pertemuan hari ini dengan berjalan sangat lancar 🤗🚀

Kesimpulan dari materi tentang Teknik Analisis Data di Tableau adalah sebagai berikut:

1. Pengantar Teknik Penyaringan Data (Data Filtering)

Definisi Penyaringan Data: Penyaringan data adalah proses untuk memilih subset data berdasarkan kriteria tertentu, sehingga pengguna hanya berfokus pada data yang relevan dengan tujuan analisis. Penyaringan membantu mencegah data yang tidak relevan mempengaruhi hasil analisis.

Manfaat Penyaringan Data:

Mengurangi noise (data yang tidak diperlukan).
Mempercepat proses analisis dengan bekerja pada data yang lebih spesifik.
Membantu menemukan pola yang lebih jelas dalam data.

Jenis Penyaringan Data:

Penyaringan Berdasarkan Nilai: Memilih data berdasarkan nilai numerik atau kategoris. Contoh: Memfilter data penjualan hanya untuk wilayah tertentu.
Penyaringan Berdasarkan Waktu: Memilih data dalam rentang waktu tertentu. Contoh: Memfilter data transaksi dari bulan Januari hingga Maret.
Penyaringan Berdasarkan Kondisi: Menggunakan kondisi logika untuk memilih data. Contoh: Memilih data di mana penjualan lebih besar dari 1000 unit.

Contoh Penyaringan dalam Alat Analisis:

Dalam alat seperti Excel atau Tableau, pengguna dapat menggunakan fitur filter untuk memilih baris data yang memenuhi kriteria tertentu.
SQL: Menggunakan perintah WHERE untuk memilih data yang memenuhi syarat tertentu, seperti SELECT * FROM Sales WHERE Region = 'East'.

2. Pengantar Teknik Pengelompokan Data (Data Grouping)

Definisi Pengelompokan Data: Pengelompokan data adalah proses pengelompokan data yang memiliki karakteristik serupa ke dalam kategori atau grup. Teknik ini membantu dalam memahami distribusi data dan pola di dalam dataset yang lebih besar.

Manfaat Pengelompokan Data:

Menyederhanakan data yang kompleks dengan mengelompokkan data yang memiliki kesamaan.
Membantu mengidentifikasi tren dan pola umum.
Berguna dalam menghasilkan ringkasan statistik seperti rata-rata, total, atau frekuensi berdasarkan grup tertentu.

Jenis Pengelompokan Data:

Pengelompokan Berdasarkan Kategori: Mengelompokkan data berdasarkan atribut tertentu, seperti jenis produk, wilayah, atau kategori pelanggan.
- Contoh: Mengelompokkan data penjualan berdasarkan wilayah geografis (Utara, Selatan, Timur, Barat).
Pengelompokan Berdasarkan Nilai Numerik: Mengelompokkan data berdasarkan rentang nilai, seperti kelompok pendapatan atau usia.
- Contoh: Mengelompokkan pelanggan berdasarkan kelompok usia, seperti <20 tahun, 20-40 tahun, dan >40 tahun.
Hierarchical Grouping: Pengelompokan berdasarkan struktur hierarkis, seperti produk yang dikelompokkan berdasarkan kategori induk.

Contoh Pengelompokan dalam Alat Analisis:

Pivot Table (Excel): Membuat pivot table untuk mengelompokkan dan meringkas data.
Tableau: Menggunakan fitur grouping untuk mengelompokkan data pada visualisasi dan menghasilkan insights dari kelompok yang berbeda.
SQL: Menggunakan perintah GROUP BY untuk menganalisis data berdasarkan kategori tertentu, seperti SELECT Region, SUM(Sales) FROM Sales GROUP BY Region.

3. Teknik Penyaringan dan Pengelompokan Lanjutan

Penyaringan Lanjutan (Advanced Filtering):

Penyaringan Multikriteria: Menggabungkan beberapa kondisi penyaringan menggunakan operator logika seperti AND, OR. Contoh: Memfilter data transaksi dari wilayah Timur dan penjualan lebih dari 500 unit.
Penyaringan Dinamis: Membuat filter yang berubah sesuai dengan input pengguna, misalnya menggunakan parameter dalam Tableau untuk menyaring data berdasarkan input tertentu yang dapat diubah secara dinamis.

Pengelompokan Lanjutan (Advanced Grouping):

Cluster Analysis: Teknik analitik yang mengelompokkan data berdasarkan kemiripan atau jarak antar data. Contoh: K-means clustering yang mengelompokkan pelanggan berdasarkan pola pembelian yang serupa.
Pengelompokan Berdasarkan Frekuensi: Mengelompokkan data berdasarkan jumlah kemunculan dalam dataset. Contoh: Mengelompokkan produk berdasarkan tingkat penjualannya (tinggi, sedang, rendah).

4. Penerapan Penyaringan dan Pengelompokan dalam Analisis Data

Kasus Penggunaan Penyaringan Data:

Dalam analisis penjualan, penyaringan data berdasarkan wilayah atau waktu memungkinkan tim pemasaran untuk fokus pada kampanye yang efektif di area tertentu.
Dalam analisis kesehatan, penyaringan data pasien berdasarkan usia atau kondisi medis membantu peneliti untuk fokus pada kelompok yang membutuhkan perhatian khusus.

Kasus Penggunaan Pengelompokan Data:

Pengelompokan pelanggan berdasarkan preferensi atau perilaku pembelian membantu perusahaan dalam merancang strategi pemasaran yang lebih tepat sasaran.
Pengelompokan data sensor dalam industri manufaktur membantu tim teknik dalam mengidentifikasi kelompok mesin yang rentan mengalami kerusakan.