Data Science vs Data Analysis

Buka situs lowongan kerja, dan kita akan menemukan jabatan “Data Analyst” yang tugasnya membangun model prediktif, serta jabatan “Data Scientist” yang tugasnya membuat laporan mingguan — dua label yang tertukar peran. Kebingungan ini wajar karena kedua bidang memang bekerja pada data yang sama dan memakai alat yang sebagian besar sama. Pada chapter ini kita menegaskan perbedaan inti keduanya dari sisi tujuan, alat, dan keluaran, lalu melihatnya langsung pada satu contoh toko kopi.

Inti Perbedaan: Horizon Waktu dan Jenis Jawaban #

Data analysis berfokus menjelaskan apa yang sudah terjadi dan sedang terjadi. Seorang data analyst memotret kinerja bisnis pada periode berjalan: berapa penjualan bulan ini, produk mana yang paling laris, wilayah mana yang menurun, dan mengapa hal tersebut terjadi. Keluarannya berupa laporan, dashboard, dan jawaban atas pertanyaan bisnis — semuanya berakar pada data masa lalu.

Data science memperluas jangkauan tersebut ke depan: apa yang kemungkinan besar akan terjadi, dan apa yang sebaiknya kita lakukan. Seorang data scientist memakai data historis yang sama untuk membangun prakiraan, menaksir pelanggan mana yang akan berhenti berlangganan, atau merancang eksperimen untuk menguji keputusan. Karena itu pula pada chapter pertama kita mengenal tiga keluarga pertanyaan — deskriptif, prediktif, dan preskriptif: analisis menempati dua yang pertama secara mendalam, sedangkan data science menuntaskan ketiganya.

Perbedaan tersebut terasa paling jelas bila kita susun berdampingan:

Satu Toko, Dua Pertanyaan #

Mari kita turunkan tabel di atas ke satu kasus konkret: Toko Kopi Kita mencatat penjualan kopi (dalam ribuan rupiah) dari Januari sampai Juni. Pertanyaan gaya data analysis berbunyi: bagaimana kinerja penjualan setengah tahun pertama? Pertanyaan gaya data science berbunyi: berapa penjualan yang perlu kita siapkan pada bulan Juli? Kode berikut menjawab keduanya dari data yang sama.

# Penjualan kopi Toko Kopi Kita (ribuan rupiah), Januari sampai Juni
bulan = ["Jan", "Feb", "Mar", "Apr", "Mei", "Jun"]
penjualan = [120, 135, 128, 150, 163, 171]

# --- Sisi data analysis: menjelaskan yang sudah terjadi ---
rata_rata = sum(penjualan) / len(penjualan)
nilai_tertinggi = max(penjualan)
bulan_tertinggi = bulan[penjualan.index(nilai_tertinggi)]
print("Rata-rata penjualan  :", rata_rata)
print("Bulan tertinggi      :", bulan_tertinggi, "dengan nilai", nilai_tertinggi)

# --- Sisi data science: memperkirakan yang mungkin terjadi ---
pertumbuhan = []
for i in range(1, len(penjualan)):
    pertumbuhan.append(penjualan[i] - penjualan[i - 1])

rata_pertumbuhan = sum(pertumbuhan) / len(pertumbuhan)
prakiraan_juli = penjualan[-1] + rata_pertumbuhan
print("Rata-rata pertumbuhan:", rata_pertumbuhan)
print("Prakiraan penjualan Juli:", prakiraan_juli)

Output yang Dihasilkan:

Rata-rata penjualan  : 144.5
Bulan tertinggi      : Jun dengan nilai 171
Rata-rata pertumbuhan: 10.2
Prakiraan penjualan Juli: 181.2

Mari kita telaah baris-baris kode di atas:

1. Baris 2-3 (bulan, penjualan): dua list sejajar — nama bulan dan nilai penjualannya — meniru bentuk paling sederhana dari tabel data.
2. Baris 6-8 (sisi analisis): sum() dan len() menghasilkan rata-rata 144.5 — hitungan yang juga tersedia siap pakai pada modul statistics bawaan Python; max() mencari nilai tertinggi, dan list.index() menemukan bulannya. Ketiganya memotret masa lalu: rata-rata 144.5 ribu rupiah dan puncak penjualan pada bulan Jun dengan nilai 171.
3. Baris 13-20 (sisi prakiraan): selisih antarbulan dikumpulkan, lalu dirata-rata menjadi 10.2. Prakiraan Juli = penjualan Juni + rata-rata pertumbuhan = 181.2. Di sinilah jawaban bergeser dari “apa yang terjadi” menjadi “apa yang mungkin terjadi”.

Perhatikan bahwa kedua separuh kode memakai data dan bahasa yang persis sama — inilah wujud nyata dari kata “bersinggungan”. Cara prakiraan di atas juga masih sangat sederhana; teknik peramalan yang serius seperti pemodelan tren dan musiman kita bahas pada Section Analisis Deret Waktu, sedangkan fondasi Python-nya dibahas pada Section Python untuk Data Science.

Bersinggungan, Bukan Berjenjang #

Kesalahan pemahaman yang paling sering muncul adalah menganggap data analysis sebagai “tingkat bawah” dan data science sebagai “tingkat atas” dari satu tangga yang sama. Kenyataannya keduanya bukan hierarki: data analysis adalah bagian tak terpisahkan dari pekerjaan data scientist — sebelum membangun model, seorang data scientist selalu memulai dengan analisis deskriptif untuk mengenal datanya. Pustaka yang dipakai pun beririsan besar, dari pandas sampai SQL; tutorial pengantar pandas resmi misalnya, wajib dibaca oleh keduanya.

Bagi kita sebagai pembelajar, urutannya justru jelas: keterampilan analisis adalah pintu masuk wajib menuju data science. Sepanjang Course ini kita membangun kemampuan analisis terlebih dahulu — membaca, meringkas, dan memvisualkan data — sebelum menambahkan pemodelan prediktif di atasnya.

Rangkuman #

• Data analysis menjelaskan masa lalu dan masa kini; data science menambahkan prakiraan masa depan dan rekomendasi tindakan.
• Kedua bidang memakai data, alat, dan keterampilan yang sebagian besar sama — perbedaannya pada horizon waktu dan jenis jawaban yang dihasilkan.
• Hubungan keduanya bersinggungan, bukan berjenjang: analisis selalu menjadi tahap awal dari setiap pekerjaan data scientist.
• Bagi pembelajar, keterampilan analisis adalah fondasi yang harus dibangun lebih dulu.

Dengan batas data analysis menjadi jelas, satu istilah besar lain masih menunggu untuk dipisahkan — istilah yang sering dianggap sinonim data science itu sendiri: machine learning. Chapter berikutnya, Data Science vs Machine Learning , menempatkan machine learning sebagai salah satu kotak perkakas di dalam keranjang data science.