Belajar Data Analyst - AI untuk Analisis Data (Text-to-SQL, Copilot)

#Pendahuluan

Di 2026, AI bukan lagi ancaman futuristik bagi analis — ia sudah menjadi rekan kerja yang bekerja bersama kalian setiap hari. LLM kini bisa mengubah pertanyaan bahasa alami menjadi SQL (text-to-SQL), membantu eksplorasi data, dan bertindak sebagai copilot di BI tools. Pertanyaannya bukan "apakah AI akan menggantikan analis?" tetapi "bagaimana analis bekerja dengan AI tanpa kehilangan akurasi?"

Episode ini memetakan lanskap AI untuk analisis: apa yang bisa dilakukan text-to-SQL dan copilot, di mana batasannya (termasuk hallucination), dan workflow yang benar — AI mempercepat, manusia memvalidasi. Prinsip yang akan kalian bawa pulang sederhana: AI adalah asisten cepat, bukan pengganti akal sehat.

#Text-to-SQL: Dari Pertanyaan Bahasa ke Query

Text-to-SQL menerjemahkan pertanyaan bahasa manusia menjadi query SQL. Alih-alih menulis SELECT, kalian cukup bertanya:

Pertanyaan : "Berapa revenue per produk bulan November, urutkan terbesar?"

Hasil yang dihasilkan AI (contoh):

SELECT product, SUM(amount) AS revenue
FROM orders
WHERE status = 'completed'
  AND DATE_TRUNC('month', ordered_at) = '2025-11-01'
GROUP BY product
ORDER BY revenue DESC;

Query di atas terlihat benar — dan justru di situlah bahayanya. AI yang meyakinkan tidak selalu benar. Kalian wajib bisa membaca query dan menilai: kolomnya ada? filter logis? definisi revenue konsisten dengan standar tim? Kemampuan ini mengapa SQL tetap wajib dipelajari di era text-to-SQL.

#Kualitas Input Menentukan Output

Hasil text-to-SQL sebaik konteks yang diberikan. Prompt yang buruk menghasilkan query yang buruk:

Konteks yang membantu LLM bekerja jauh lebih baik:

Skema: orders(id, customer_id, product, amount, status, ordered_at)
Definisi revenue: SUM(amount) WHERE status='completed', tidak termasuk refund.
Pertanyaan: Revenue per produk bulan lalu, urut turun.

Tulis definisi bisnis dan skema di awal prompt — ini membuat AI menjawab dalam konteks kalian, bukan menebak.

#AI-Assisted EDA dan Copilot BI

Selain text-to-SQL, AI membantu di dua area lain:

#AI untuk Eksplorasi Data

AI bisa menyusun langkah EDA awal — ringkasan statistik, distribusi, korelasi yang layak diperiksa:

Panduan EDA dari AI (contoh)

import pandas as pd
 
df = pd.read_csv("orders.csv")
 
# 1. Struktur & kualitas
print(df.shape, df.dtypes, df.isna().sum())
 
# 2. Ringkasan numerik
print(df.describe())
 
# 3. Korelasi antar kolom kunci
print(df[["amount", "quantity"]].corr())

Output AI berfungsi sebagai titik awal — bukan kesimpulan. AI cepat menemukan pola; kalian yang memutuskan mana yang penting dan benar.

#Copilot di BI Tools

BI tools modern (Looker, Tableau, Metabase) menanamkan copilot: tanya "kenapa revenue turun minggu ini?" dan tool menyusun visualisasi atau draft narasi. Kekuatannya: kecepatan. Bahayanya: narasi AI bisa halus tetapi salah konteks. Prinsip yang sama — cek sebelum percaya.

#Batasan AI yang Wajib Kalian Tahu

Sebagai analis profesional, kenali batas-batas ini:

Yang terakhir sangat penting: jangan pernah menempelkan data pelanggan ke AI publik (episode 19). Gunakan AI yang disetujui perusahaan, dan hindari PII dalam prompt.

#Workflow Analisis Dibantu AI: Aman dan Cepat

Alur kerja yang menggabungkan kecepatan AI dan akurasi manusia:

1. Definisikan pertanyaan + definisi metrik (manusia)
2. AI menulis draft query / langkah EDA (AI)
3. Kalian review query terhadap skema & definisi (manusia) ← titik kritis
4. Jalankan & periksa kewajaran angka (manusia)
5. AI membantu merapikan narasi & visualisasi (AI)
6. Verifikasi final dengan judgment (manusia)

Kunci workflow ini: setiap output AI melewati gerbang validasi manusia — terutama di langkah 3 dan 4. AI mempercepat, manusia mengendalikan.

#Praktik: Workflow dengan Verifikasi

Latihan: kalian ingin analisis "revenue per segmen kota". Gunakan AI untuk draft, lalu verifikasi:

Langkah 1 : Minta AI menulis query dengan konteks skema & definisi.
Langkah 2 : Periksa — kolom benar? JOIN logis? status difilter?
Langkah 3 : Jalankan; bandingkan total dengan angka yang sudah diketahui.
Langkah 4 : Jika total tidak cocok, debug query (AI bisa membantu menelusuri,
            tetapi kalian yang memahami datanya).

Perlu diingat: kewajaran angka adalah uji terakhir yang paling cepat. "Revenue Jakarta Rp 100 miliar dari 10 order?" jelas salah — rasa data (data sense) yang kalian bangun dari episode 3-8 inilah yang tak tergantikan.

#Kesalahan Umum

• Memakai output AI tanpa membaca. Ini perbedaan antara "dibantu AI" dan "buta".
• Memasukkan PII ke AI publik. Pelanggaran privasi yang serius.
• Prompt tanpa konteks. Hasil AI sebaik konteks yang diberikan.
• Percaya narasi AI. Narasi bisa halus dan salah; insight tetap tanggung jawab kalian.

#Penutup

Inti yang harus dibawa pulang:

• Text-to-SQL mengubah bahasa menjadi query; SQL tetap wajib untuk menilai hasilnya.
• Hallucination adalah risiko nyata — verifikasi adalah fitur, bukan opsional.
• Konteks prompt (skema + definisi metrik) menentukan kualitas output.
• Workflow aman: AI drafting, manusia memvalidasi di setiap gerbang.
• Jangan pernah menempelkan PII ke tool AI publik.

Di episode 23 selanjutnya kita membawa AI dan BI ke tingkat perusahaan: Self-Service BI & Semantic Layer — semantic layer, business glossary, dan demokratisasi data supaya non-analis bisa menjawab pertanyaan sendiri tanpa analis menjadi bottleneck. AI telah mempercepat kalian; sekarang kalian membangun fondasi yang membuat seluruh tim lebih cepat!