KAL
Menu

Data Dan AI

Analisis Data

Jalur praktis analisis data dari data mentah yang berantakan sampai analisis yang dipahami dan ditindaklanjuti, menggunakan pandas, statistika secukupnya, dan SQL.

Jalur ini menyusun kecakapan analisis data secara berurutan: menata data yang berantakan, mengeksplorasi dan memvisualisasinya, menerapkan statistika secukupnya, menarik data dengan SQL, lalu mengantarkan analisis kepada pemangku kepentingan. Alat kerja utamanya adalah Python dengan pandas, matplotlib, dan seaborn, dikerjakan di dalam notebook Jupyter pada lingkungan Python 3.10+. Setiap topik menggunakan contoh yang dapat dijalankan ulang, dan setiap angka disertai catatan kehati-hatiannya.

Mengenal analisis data 3 pelajaran

Modul pembuka: alur kerja analisis data, penyiapan perangkat Python dan pandas, serta data dan etikanya.

  1. Apa itu analisis data?Alur kerja analisis data dari pertanyaan, data, analisis, sampai keputusan, beserta peran tiap tahapnya.
  2. Penyiapan perangkatMemasang Python, pandas, dan Jupyter, serta menghubungkan kebiasaan spreadsheet dengan cara kerja pandas.
  3. Data dan etikaAsal-usul data, privasi, persetujuan, dan dasar-dasar bias yang melekat pada data sejak pengumpulannya.
Penataan data 5 pelajaran

Modul inti pembersihan: memuat data, menginspeksinya, menangani nilai yang hilang, menyaring baris, dan mengagregasi.

  1. Pemuatan dataMemuat data dari CSV, Excel, dan basis data, termasuk mengatasi kejutan encoding yang sering muncul.
  2. Inspeksi pertamaRitual inspeksi pertama dengan head, describe, dtypes, dan shape sebelum analisis dimulai.
  3. Nilai yang hilangMendeteksi nilai yang hilang, memutuskan strategi penanganannya, dan mendokumentasikan keputusan tersebut.
  4. Seleksi dan penyaringanMengambil subset data dengan loc, iloc, dan masker boolean sesuai kebutuhan analisis.
  5. Pengelompokan dan agregasiPola split-apply-combine untuk merangkum data per kelompok dengan groupby dan agregasi.
Analisis eksploratif 4 pelajaran

Modul eksplorasi jujur: membaca distribusi, ukuran pusat dan sebaran, korelasi, serta pencilan.

  1. DistribusiMembaca histogram dan bentuk distribusi, termasuk makna kata normal dalam konteks data nyata.
  2. Pusat dan sebaranMemilih antara mean dan median serta memahami variansi dan simpangan baku sebagai ukuran sebaran.
  3. KorelasiMengukur hubungan antar kolom dengan korelasi, membaca matriksnya, dan membedakan hubungan dari kausalitas.
  4. PencilanMendeteksi pencilan, menginvestigasi penyebabnya, dan mempertimbangkan apakah dipertahankan atau dibuang.
Visualisasi 4 pelajaran

Modul penyajian visual: memilih grafik sesuai pertanyaan, menggambar dengan matplotlib dan seaborn, serta menjaga kejujuran grafik.

  1. Pemilihan grafikMemilih jenis grafik berdasarkan pertanyaan yang diajukan, bukan berdasarkan estetika.
  2. Esensi pembuatan grafikPola inti matplotlib dan seaborn: figur, sumbu, data, dan langkah pembuatan grafik yang berulang.
  3. Grafik yang jujurMenjaga kejujuran grafik melalui sumbu dan skala yang benar, serta menghindari kebohongan visual.
  4. PenceritaanMenyusun satu pesan per grafik dengan judul dan anotasi yang memandu pembaca ke temuan.
Statistika untuk analis 5 pelajaran

Modul statistika terapan untuk analis: sampel dan bias, interval kepercayaan, pengujian hipotesis, p-value, dan pengujian A/B.

  1. Pengambilan sampel dan biasCara sampel menyesatkan analisis, efek seleksi, dan syarat sampel yang mewakili populasi.
  2. Interval kepercayaanMenyatakan ketidakpastian sebagai luaran analisis melalui interval kepercayaan.
  3. Pengujian hipotesisKerangka pengujian hipotesis beserta penerapannya yang hati-hati pada data nyata.
  4. P-value yang benarGaleri penyalahgunaan p-value yang paling umum dan cara melaporkannya secara jujur.
  5. Pengujian A/BMerancang pengujian A/B: penentuan ukuran sampel, durasi, dan jebakan yang sering menyesatkan.
SQL dan model terapan 3 pelajaran

Modul akses data dan pola lanjutan: SQL untuk analis, dasar deret waktu, serta analisis kohort.

  1. SQL untuk analisMenulis query SELECT, JOIN, dan agregasi dari gudang data, dijalankan melalui Python dan SQLite.
  2. Dasar deret waktuMembaca tren dan musiman pada deret waktu serta menghitung jendela bergulir dengan pandas.
  3. Analisis kohortMenyusun analisis kohort untuk mengukur retensi dari waktu ke waktu, luaran klasik seorang analis.
Komunikasi dan pengerjaan proyek 6 pelajaran

Modul pengiriman: menyusun analisis, notebook sebagai laporan, dashboard, penerjemahan untuk pemangku kepentingan, dan proyek pengerjaan lengkap.

  1. Menyusun analisisPrinsip piramida dalam menyusun analisis: jawaban disampaikan lebih dahulu, baru dukungannya.
  2. Notebook sebagai laporanMenggabungkan narasi, kode, dan grafik dalam notebook sehingga laporan dapat direproduksi.
  3. Tinjauan dashboardKapan dashboard membantu, kapan tidak, serta lanskap alat dashboard yang umum digunakan.
  4. Penerjemahan untuk pemangku kepentinganMenerjemahkan temuan teknis menjadi bahasa bisnis yang dapat ditindaklanjuti pemangku kepentingan.
  5. Perolehan dan pembersihan dataPipeline lengkap perolehan dan pembersihan data untuk dataset proyek yang berantakan.
  6. Analisis dan visualisasiMenyelesaikan proyek analisis dari EDA sampai grafik akhir dengan pertanyaan yang jelas.