Belajar Data Analyst - Statistika Dasar

#Pendahuluan

Setelah di episode 4 kalian mahir menarik data dengan SQL, kini saatnya memahami apa arti angka-angka itu. Statistika adalah bahasa analisis: ia memberi kerangka untuk merangkum data, mengukur ketidakpastian, dan membandingkan kelompok secara adil. Tanpa statistika, analis menebak; dengan statistika, analis berargumen dengan bukti.

Episode ini fokus pada statistika deskriptif — mendeskripsikan dan merangkum data dengan ukuran pemusatan, penyebaran, dan distribusi — plus dasar sampling. Kita akan bekerja dengan contoh kasus penjualan supaya setiap konsep langsung terasa relevan untuk pekerjaan sehari-hari. Statistika inferensial (uji hipotesis, p-value) akan kalian temui di episode 21.

#Ukuran Pemusatan: Mean, Median, Mode

#Mean (Rata-rata)

Jumlah semua nilai dibagi banyaknya nilai. Sensitif terhadap outlier.

#Median

Nilai tengah setelah data diurutkan. Kokoh terhadap outlier.

#Mode

Nilai yang paling sering muncul — satu-satunya ukuran pemusatan yang bisa dipakai untuk data kategorikal.

Ukuran pemusatan di pandas

import pandas as pd
 
penjualan = pd.Series([100, 120, 110, 95, 1500])
print("mean  :", penjualan.mean())
print("median:", penjualan.median())
print("mode  :", penjualan.mode().tolist())

Output mean = 385, sedangkan median = 110. Lihat selisihnya? Satu order aneh sebesar 1500 menyeret rata-rata jauh ke atas, sementara median nyaris tidak bergeming. Inilah mengapa analis selalu mengecek keduanya.

#Ukuran Penyebaran: Range, Variance, Standar Deviasi

Mean tanpa penyebaran tidak lengkap: dua tim bisa punya rata-rata penjualan sama, tetapi satu konsisten dan satu lagi tidak menentu.

• Range: nilai maksimum dikurangi minimum. Mudah, tetapi hanya melihat dua titik ekstrem.
• Variance: rata-rata kuadrat selisih tiap nilai dari mean.
• Standar deviasi: akar kuadrat variance — kembali ke satuan asli data, sehingga lebih mudah diinterpretasi.

Ukuran penyebaran

import numpy as np
 
tim_a = np.array([100, 102, 99, 101, 100])
tim_b = np.array([50, 150, 90, 120, 100])
 
print("std A:", tim_a.std().round(2))
print("std B:", tim_b.std().round(2))

Tim A dan B sama-sama rata-rata 100, tetapi standar deviasinya sangat berbeda. Standar deviasi kecil = konsisten; besar = bergejolak. Untuk data bisnis, ini berarti tim B jauh lebih sulit diprediksi — informasi yang tidak terlihat jika hanya melihat mean.

#Distribusi dan Skewness

Distribusi menggambarkan bagaimana nilai-nilai tersebar. Dua bentuk yang paling sering kalian jumpai:

• Normal (bell curve): simetris, mayoritas data dekat mean. Banyak fenomena (tinggi badan, error pengukuran) mengikuti pola ini.
• Skewed (menceng): ekor panjang ke satu sisi. Distribusi pendapatan dan penjualan hampir selalu right-skewed — segelintir nilai sangat besar menarik mean ke kanan.

Cara cepat mengecek: hitung mean dan median. Jika mean > median, hampir pasti skewed. Visualisasi histogram di episode 9 akan membuat pola ini jauh lebih jelas.

#Sampling: Mengambil Sampel yang Mewakili

Analis jarang menganalisis seluruh populasi. Sampling memilih subset yang mewakili keseluruhan. Dua prinsip utamanya:

1. Randomness: setiap anggota populasi punya kesempatan sama untuk terpilih — tanpa ini, sampel bias.
2. Ukuran cukup: semakin besar sampel (dan semakin homogen populasinya), semakin presisi perkiraan kita.

SELECT *
FROM orders
TABLESAMPLE SYSTEM (10);

Pitfall terbesar sampling di dunia analis bukan tekniknya, melainkan sumber datanya: menganalisis hanya customer yang aktif (survivorship bias), hanya order yang sukses, atau hanya bulan yang bagus. Sampel yang "sopan" menghasilkan kesimpulan yang menyenangkan tetapi salah.

#Praktik: Merangkum Dataset Penjualan

Gabungkan semuanya dalam satu alur: ambil data dari database, ringkas dengan SQL, lalu periksa distribusinya dengan Python.

SELECT
    COUNT(*)                AS jumlah_order,
    ROUND(AVG(amount), 2)   AS rata_rata,
    PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY amount) AS median
FROM orders
WHERE status = 'completed';

PERCENTILE_CONT(0.5) adalah cara SQL menghitung median. Bandingkan rata_rata dan median: jika jauh berbeda, catat bahwa distribusi amount skewed — jangan laporkan rata-rata sendirian.

Cek skewness dan kurtosis

import pandas as pd
 
df = pd.read_csv("orders.csv")
print("skew:", df["amount"].skew().round(2))

Nilai skew positif kuat (misal > 1) menegaskan distribusi right-skewed. Laporan kalian kemudian bisa menyebut: "Rata-rata order Rp385.000, tetapi median hanya Rp110.000 — mayoritas order bernilai kecil, dinaikkan oleh segelintir order besar."

#Kesalahan Umum

• Melaporkan mean pada data skewed. Selalu cek median juga.
• Membandingkan mean antar kelompok tanpa mengecek penyebaran. Dua mean sama bisa berasal dari distribusi yang sangat berbeda.
• Mengabaikan outlier. Jangan otomatis buang — cek dulu apakah itu error data atau segmen bisnis yang nyata (topik episode 7).
• Sampel bias tapi diklaim representatif. Periksa selalu: siapa yang terwakili, siapa yang tidak.

#Penutup

Inti yang harus dibawa pulang:

• Mean sensitif outlier, median kokoh — pada data skewed, utamakan median.
• Variance dan standar deviasi mengukur penyebaran; laporkan bersama mean.
• Distribusi normal vs skewed menentukan interpretasi yang benar.
• Sampel harus acak, cukup besar, dan bebas bias seleksi.

Di episode 6 selanjutnya kita masuk ke Python untuk analisis dengan pandas — DataFrame, filtering, groupby, dan NumPy di Jupyter, lengkap dengan EDA pertama kalian. SQL sudah menjadi senjata pertama, statistika sudah menjadi lensa, dan sekarang Python akan menjadi pisau bedah kalian!