Bagian 1: Memahami Masalah

Proyek analisis yang baik tidak dimulai dari kode, melainkan dari masalah orang nyata. Pada bagian ini kita duduk sebentar bersama Bu Warni, pemilik warung nasi di Surabaya, untuk memahami keputusan apa yang ingin ia ambil dan hambat apa yang ia hadapi. Tujuannya sederhana tetapi menentukan: memastikan delapan pekan kerja analisis kita berikutnya benar-benar menjawab kebutuhannya, bukan sekadar menghasilkan angka yang indah tetapi tidak terpakai.

Keputusan yang Ingin Didukung #

Bu Warni tidak meminta laporan setebal buku. Yang ia butuhkan adalah pegangan untuk tiga keputusan yang ia ambil hampir setiap pekan: menentukan jumlah belanja bahan, memilih menu yang dijual, dan menetapkan harga jual. Ketiganya bergantung pada perilaku harga bahan, dan itulah yang akan kita selidiki.

Perhatikan bahwa tiap keputusan di tabel di atas diterjemahkan menjadi kebutuhan informasi yang terukur. Penerjemahan semacam ini adalah keterampilan inti seorang data scientist: dari keinginan yang samar menjadi pertanyaan yang bisa dijawab data.

Dari Keluhan Menjadi Pertanyaan Analisis #

Dalam percakapan awal, keluhan Bu Warni berbunyi kasar: “Cabai kok mahal sekali akhir-akhir ini, sambal jadi bikin rugi.” Keluhan semacam itu wajar, tetapi belum bisa dijawab data karena belum berbentuk pertanyaan. Kita rapikan menjadi empat pertanyaan analisis:

• Q1 — Seberapa bergejolak harga tiap komoditas sepanjang 8 pekan?
• Q2 — Kapan lonjakan harga terbesar terjadi, dan seberapa besar?
• Q3 — Adakah komoditas yang harganya menanjak perlahan tetapi konsisten dari pekan ke pekan?
• Q4 — Apa implikasi pola harga tersebut bagi belanja mingguan dan menu warung?

Empat pertanyaan ini menjadi garis besar proyek. Q1 kita jawab dengan statistik per komoditas pada Bagian 6, Q2 lewat eksplorasi perubahan harga pada Bagian 5, Q3 lewat analisis tren pada Bagian 7, dan Q4 kita rangkum pada Bagian 8 sampai 10 ketika membandingkan komoditas lalu menyusun rekomendasi.

Membaca Angka Sebelum Menganalisis #

Sebelum menyentuh pandas, mari kita lihat dulu satu komoditas yang paling sering dikeluhkan Bu Warni: cabai merah. Berikut harga rata-ratanya per pekan, diketik ulang dari catatan belanja warung (dalam ribu rupiah per kilogram):

# Harga cabai merah per pekan (ribu rupiah per kg) dari catatan Bu Warni.
pekan = ["M1", "M2", "M3", "M4", "M5", "M6", "M7", "M8"]
harga_cabai = [38.0, 40.0, 42.0, 65.0, 78.0, 55.0, 44.0, 40.0]

termurah = min(harga_cabai)
termahal = max(harga_cabai)
rata_rata = sum(harga_cabai) / len(harga_cabai)

for p, h in zip(pekan, harga_cabai):
    print(f"{p}: {h:.1f}")
print()
print(f"Termurah {termurah:.1f}, termahal {termahal:.1f} (rata-rata {rata_rata:.2f})")
print(f"Harga termahal = {termahal / termurah:.2f} kali harga termurah")

Output yang Dihasilkan:

M1: 38.0
M2: 40.0
M3: 42.0
M4: 65.0
M5: 78.0
M6: 55.0
M7: 44.0
M8: 40.0

Termurah 38.0, termahal 78.0 (rata-rata 50.25)
Harga termahal = 2.05 kali harga termurah

Mari kita telaah keluaran di atas:

1. Deret M1–M8: harga cabai merah bergerak dari 38.0 naik perlahan sampai 42.0, melonjak ke 65.0 dan 78.0 pada M4–M5, lalu menurun kembali ke 40.0 pada M8.
2. Rata-rata 50.25: angka ini hampir tidak pernah menjadi harga aktual pada pekan tertentu — harga cabai memang jarang berdiam diri di sekitar rata-ratanya.
3. Rasio 2.05 kali: harga termahal lebih dari dua kali harga termurah dalam kurun waktu hanya delapan pekan. Gejolak sebesar inilah yang membuat menu berbahan cabai berisiko bagi margin warung.

Ada satu temuan menarik dari delapan angka sederhana ini: keluhan Bu Warni tentang harga cabai “akhir-akhir ini” ternyata tidak tepat sasaran. Puncak harga terjadi pada M5; pada M8 harga sudah kembali ke 40.0, nyaris sama dengan M1. Ingatan manusia cenderung menempel pada puncak pengalaman yang paling mengguncang, dan data meluruskannya dengan angka.

Ruang Lingkup dan Batasan #

Agar kesimpulan kita tidak melampaui data, batas-batas berikut ditetapkan sejak awal:

• Periode: 8 pekan, M1 (pekan mulai 5 Januari 2026) sampai M8 (pekan mulai 23 Februari 2026).
• Objek: 5 komoditas — beras, cabai merah, bawang merah, ayam broiler, dan gula pasir.
• Ukuran: harga rata-rata per pekan dalam ribu rupiah per kilogram, dari satu pasar di sekitar warung.
• Jenis analisis: deskriptif — menggambarkan apa yang terjadi, bukan memprediksi pekan berikutnya.

Ringkasan Bagian 1 #

Tiga hal sudah kita pegang: keputusan yang ingin didukung (stok, menu, harga jual), empat pertanyaan analisis yang mengarahkan proyek, dan kesepakatan ruang lingkup. Kita juga sudah mencium bahwa cabai merah adalah sumber gejolak terbesar — dugaan yang masih harus diuji terhadap seluruh data.

Langkah berikutnya adalah mengenal data itu sendiri: dari mana angka-angkanya berasal, siapa yang mencatatnya, dan bagaimana bentuk berkasnya. Kita kerjakan pada Bagian 2: Mengumpulkan Data Harga .