Setiap kali kasir Toko Kopi Kita menekan tombol, sebuah catatan baru tersimpan: menu apa yang dibeli, berapa banyak, dan jam berapa. Catatan semacam itulah yang disebut data — bahan mentah dari seluruh materi Course ini. Sebelum mengolah apa pun, kita perlu menjawab tiga pertanyaan dasar dengan jujur: apa sebenarnya yang disebut data, apa bedanya dengan informasi dan pengetahuan, dan mengapa perbedaan tersebut menentukan mutu hasil analisis. Chapter ini merapikan ketiganya lewat satu contoh angka yang kita untai perlahan menjadi sebuah keputusan bisnis.

Data sebagai Fakta Tercatat #

Data adalah catatan fakta hasil pengamatan atau pengukuran yang masih berbentuk mentah, belum diberi konteks, dan belum ditafsirkan. Bentuknya beragam: angka pada struk, teks nama pelanggan, tanggal transaksi, foto etalase, sampai rekaman suara pesanan. Perhatikan potongan-potongan berikut dari catatan Toko Kopi Kita:

  • 42 — sebuah angka, tetapi angka apa? Rupiah? Menit? Cangkir?
  • kopi susu — sebuah teks, tetapi ini nama menu atau bahan?
  • 2026-01-15 08:12 — sebuah waktu, tetapi waktu pembelian atau waktu pembayaran?

Ketiga potongan tersebut jujur merekam fakta, namun tidak satu pun menjawab pertanyaan sendirian. Ciri inilah yang membedakan data dari hal-hal di sekitarnya: data menjawab “apa yang tercatat”, bukan “apa artinya”. Memberi arti adalah pekerjaan langkah berikutnya.

Piramida DIKW: Dari Angka Mentah ke Keputusan #

Hubungan data, informasi, dan pengetahuan sering digambar sebagai piramida bertingkat yang dikenal sebagai DIKW (Data, Information, Knowledge, Wisdom). Setiap tingkat menambahkan sesuatu pada tingkat di bawahnya:

TingkatPertanyaan yang dijawabContoh pada Toko Kopi Kita
DataApa yang tercatat?Angka 42 pada struk
InformasiApa yang terjadi?“Dewi membayar Rp42.000 pada 15 Januari pagi”
PengetahuanPola apa yang berulang?“Pelanggan pagi hari rata-rata bertransaksi paling besar”
KebijaksanaanApa yang sebaiknya kita lakukan?“Buka paket member khusus pembeli pagi”

Naik satu tingkat selalu membutuhkan kerja: informasi terbentuk ketika data diberi konteks (siapa, kapan, dalam satuan apa), pengetahuan terbentuk ketika banyak informasi dicari polanya dan pola tersebut teruji, dan kebijaksanaan muncul ketika pengetahuan dipadukan dengan nilai serta tujuan bisnis. Perhatikan juga pembagian kerjanya: analisis deskriptif memproduksi informasi, model prediktif merumuskan pengetahuan, sedangkan keputusan akhir tetap menjadi tanggung jawab manusia — bukan keluaran otomatis sebuah fungsi.

Satu Angka, Tiga Tingkat Kedalaman #

Mari kita buktikan piramida tersebut dengan kode, memakai lima transaksi pagi di Toko Kopi Kita. Kita mulai dari deretan angka mentah, memberinya konteks, lalu mengangkatnya menjadi dasar keputusan program member.

python 
import pandas as pd

# Lapisan 1 - data: fakta tercatat, masih tanpa konteks
angka_mentah = [42, 18, 65, 30, 25]
print("Data   :", angka_mentah)

# Lapisan 2 - informasi: angka diberi label dan konteks
transaksi = pd.DataFrame({
    "pelanggan": ["Budi", "Siti", "Dewi", "Rani", "Agus"],
    "nilai_ribu": angka_mentah,  # satuan: ribu rupiah
})
print("Informasi: rata-rata transaksi =", transaksi["nilai_ribu"].mean(), "ribu rupiah")
print("Informasi: transaksi terbesar dari", transaksi.loc[transaksi["nilai_ribu"].idxmax(), "pelanggan"])

# Lapisan 3 - pengetahuan: pola yang layak menjadi dasar keputusan
batas = transaksi["nilai_ribu"].mean()
pelanggan_loyal = transaksi.loc[transaksi["nilai_ribu"] >= batas, "pelanggan"].tolist()
print("Pengetahuan: kandidat member =", pelanggan_loyal)

Output yang Dihasilkan:

text 
Data   : [42, 18, 65, 30, 25]
Informasi: rata-rata transaksi = 36.0 ribu rupiah
Informasi: transaksi terbesar dari Dewi
Pengetahuan: kandidat member = ['Budi', 'Dewi']

Mari kita telaah baris-baris kode di atas:

  1. Baris 4 (angka_mentah = ...): deretan angka tanpa label adalah data dalam wujud paling murni. Angka 42 di sini belum mengatakan apa pun.
  2. Baris 8-11 (transaksi = ...): DataFrame membalut angka dengan dua jenis konteks — label baris (pelanggan) dan satuan pada nama kolom (nilai_ribu). Dua konteks itulah yang mengubah data menjadi informasi: rata-rata 36 ribu rupiah kini bermakna.
  3. Baris 16-17 (batas, pelanggan_loyal): kita mengangkat informasi menjadi pengetahuan operasional dengan satu aturan sederhana — pelanggan di atas rata-rata adalah kandidat member. Aturan tersebut masih perlu diuji dengan data lebih panjang sebelum menjadi kebijaksanaan, dan itulah pekerjaan chapter-chapter analisis di depan.

Perhatikan satu keputusan kecil pada kode di atas: satuan ribu kita tulis langsung di nama kolom. Trik sederhana ini menyelamatkan pembaca dari menebak apakah 42 berarti ribu rupiah atau rupiah penuh — tema yang akan kita dalami pada chapter Metadata.

Rangkuman #

  • Data adalah catatan fakta mentah; data menjawab “apa yang tercatat”, bukan “apa artinya”.
  • Piramida DIKW menyusun data → informasi → pengetahuan → kebijaksanaan; setiap tingkat menuntut kerja kontekstualisasi, pencarian pola, dan pertimbangan nilai.
  • Analisis deskriptif menghasilkan informasi; model prediktif merumuskan pengetahuan; keputusan akhir tetap milik manusia.
  • Satu angka tidak berarti apa-apa. Kolom bernama jelas dan bersatuan jelas adalah prasyarat data siap analisis.

Kita kini memegang definisi kerja tentang data. Namun mengenali “catatan fakta” saja belum cukup untuk mengolahnya — fakta itu sendiri datang dalam berbagai wujud: label menu, jumlah cangkir, tanggal, sampai foto etalase. Kita petakan wujud-wujud tersebut pada chapter berikutnya, Jenis Data .

Referensi #

  1. pandas — User Guide
  2. Python Docs — Statistics