Sekitar 80% Waktu Data Scientist Tersita untuk Menyiapkan Data, Begini Cara Penggunaan Tableau Prep

Berapa lama waktu yang Brainers habiskan untuk menggabungkan berkas, memperbaiki nama kolom, menangani nilai kosong, atau menyamakan format data sebelum satu visualisasi dapat dibuat? Dalam banyak kasus, pekerjaan data analis justru dimulai jauh sebelum grafik atau dashboard pertama muncul. Tableau Prep dapat membantu menyusun proses persiapan tersebut agar data lebih siap digunakan untuk analisis.

Survei CrowdFlower yang dikutip Forbes pada 2016 terhadap sekitar 80 data scientist menemukan bahwa 60% waktu responden digunakan untuk membersihkan dan mengorganisasi data, sedangkan 19% lainnya digunakan untuk mengumpulkan data. Artinya, sekitar 80% waktu mereka tersita pada aktivitas yang berkaitan dengan persiapan dan pengelolaan data. Angka tersebut berasal dari survei terbatas dan bukan patokan universal, tetapi cukup menggambarkan besarnya porsi pekerjaan yang dapat terserap sebelum proses analisis dilakukan.

Masalahnya tidak selalu terletak pada kemampuan membuat visualisasi. Data dapat berasal dari beberapa sumber, memiliki struktur berbeda, mengandung nilai kosong, atau menggunakan penamaan yang tidak konsisten. Karena itu, persiapan data menjadi fondasi penting sebelum data digunakan untuk analisis lebih lanjut.

Apa Itu Data Preparation dalam Data Analytics Tableau?

Data preparation adalah proses membersihkan data yang bermasalah, memperbaiki struktur yang kurang sesuai, serta menggabungkan beberapa kumpulan data untuk kebutuhan analisis. Proses ini juga melibatkan transformasi data agar format, struktur, atau nilainya sesuai dengan kebutuhan pengolahan.

Data cleaning atau pembersihan data menangani data yang tidak lengkap, salah, tidak sesuai format, duplikat, atau tidak relevan. Sementara itu, data transformation merupakan proses mengubah format, struktur, atau nilai data. Transformasi tersebut dapat bersifat constructive, destructive, aesthetic, maupun structural.

Transformasi data dapat dibedakan berdasarkan perubahan yang dilakukan terhadap data.

Jenis Transformasi	Efek terhadap Data	Contoh
Constructive	Menambah data	Menambah, menyalin, atau mereplikasi baris data
Destructive	Mengurangi data	Menghapus kolom atau rekaman yang tidak diperlukan
Aesthetic	Menstandarkan penyajian data	Menyamakan sapaan, ejaan, atau penulisan nama
Structural	Mengubah susunan data	Mengganti nama, memindahkan, atau menggabungkan kolom

Memahami bentuk perubahan tersebut membantu Brainers menentukan apakah masalah yang ditemukan cukup diperbaiki pada nilainya atau membutuhkan perubahan pada struktur data secara keseluruhan.

Struktur Data yang Tepat Membuat Tableau Lebih Mudah Membaca Pola

Data yang sudah bersih belum tentu memiliki struktur yang tepat untuk dianalisis. Dalam data analytics menggunakan Tableau, struktur data dapat berbentuk wide data, tall data, maupun model star schema. Masing-masing memiliki susunan dan penggunaan yang berbeda dalam proses analisis.

Wide Data

Wide data menyimpan beberapa kategori atau periode sebagai kolom yang berbeda. Struktur ini membuat satu baris dapat memiliki banyak kolom sehingga data menjadi semakin lebar ketika jumlah kategori bertambah. Dalam materi, bentuk ini disebut kurang ideal untuk analisis visual di Tableau.

Contohnya:

• Data penjualan memiliki kolom Januari, Februari, dan Maret untuk menyimpan nilai penjualan setiap bulan
• Data kehadiran pegawai memiliki kolom Hadir, Izin, Sakit, dan Terlambat untuk setiap pegawai
• Data survei menyimpan jawaban Pertanyaan 1, Pertanyaan 2, dan Pertanyaan 3 pada kolom terpisah

Tall Data

Tall data menyimpan kategori sebagai nilai dalam baris sehingga jumlah kolom lebih sedikit, tetapi jumlah baris bertambah. Bentuk ini dapat dihasilkan dari wide data melalui proses pivot dan umumnya lebih sesuai untuk analisis visual di Tableau.

Contohnya:

• Data penjualan menggunakan kolom Bulan dan Penjualan, sedangkan Januari, Februari, dan Maret disimpan sebagai nilai pada baris
• Data kehadiran menggunakan kolom Pegawai, Status Kehadiran, dan Jumlah sehingga Hadir, Izin, dan Sakit menjadi nilai pada baris
• Data survei menggunakan kolom Responden, Pertanyaan, dan Jawaban sehingga setiap jawaban disimpan sebagai baris terpisah

Star Schema

Star schema memisahkan data menjadi tabel fakta dan tabel dimensi yang saling berhubungan. Tabel fakta menyimpan measure pada tingkat granularitas tertentu, sedangkan tabel dimensi berisi atribut yang menjelaskan data tersebut. Struktur ini bekerja baik dengan Tableau karena granularitas, measure, dan dimensinya dapat ditentukan dengan jelas.

Contohnya:

• Data kunjungan rumah sakit menggunakan tabel fakta Hospital Visit yang terhubung dengan tabel dimensi Patient, Primary Physician, dan Discharge Details, seperti contoh dalam materi
• Data penjualan dapat menggunakan tabel fakta transaksi yang terhubung dengan dimensi pelanggan, produk, dan waktu
• Data penerbangan dapat menggunakan tabel fakta perjalanan yang terhubung dengan dimensi pegawai, maskapai, dan bandara

Dengan memahami ketiga bentuk tersebut, Brainers dapat menentukan struktur yang paling sesuai sebelum data digunakan untuk analisis. Wide data dapat diubah menjadi tall data ketika diperlukan, sedangkan star schema membantu mengelola data yang berasal dari beberapa tabel dengan hubungan yang lebih terstruktur.

Tableau Prep Builder Menyusun Persiapan Data secara Visual

Proses persiapan data dapat disusun dalam satu alur kerja yang saling terhubung menggunakan Tableau Prep Builder. Setiap operasi ditampilkan secara visual pada Flow pane, sehingga tahapan pengolahan dapat dipahami dan ditelusuri kembali.

Contoh:

• Data dimasukkan ke Tableau Prep, lalu dibersihkan, dibentuk ulang, dan digabungkan dalam satu flow
• Setiap perubahan tercatat sebagai langkah yang dapat diperiksa kembali
• Pengguna dapat mengubah langkah tertentu tanpa harus mengulang seluruh proses dari awal

Manfaat:

• Proses persiapan data menjadi lebih mudah dipahami dan ditelusuri
• Hasil pada setiap tahap dapat diperiksa sebelum melanjutkan ke langkah berikutnya
• Pekerjaan lebih terstruktur dibandingkan proses manual yang tersebar di beberapa berkas

Flow Tableau Prep Menghubungkan Data dari Masukan hingga Keluaran

Flow merupakan rangkaian langkah yang menunjukkan perubahan data sejak masuk dari sumber hingga siap digunakan. Setiap komponen dalam flow disebut step atau langkah yang saling terhubung berdasarkan urutan pemrosesan data. Dalam Tableau Prep, terdapat tujuh langkah utama yang sering digunakan:

1. Input: Memasukkan data, tabel, view, atau custom SQL ke dalam flow
2. Clean: Membersihkan dan menyesuaikan data dengan memfilter, mengatur tipe data, membuatperhitungan, mengelompokkan nilai, serta memperbaiki atau menghapus kolom
3. Aggregate: Meringkas data pada tingkat detail tertentu menggunakan fungsi seperti MIN, MAX, SUM, atau AVG
4. Join: Menggabungkan dua cabang data berdasarkan kolom dan kondisi yang sesuai
5. Union: Menggabungkan baris dari dua atau lebih himpunan data yang memiliki struktur serupa
6. Pivot: Mengubah susunan data dari kolom menjadi baris atau sebaliknya
7. Output: Menghasilkan data yang telah diproses agar dapat digunakan pada tahap berikutnya

Hasil dari Tableau Prep dapat disimpan dalam format seperti .hyper, .csv, atau .xlsx.

Studi Kasus Riwayat Penerbangan Pegawai Menunjukkan Alur Pembersihan Data

Data yang digunakan dalam studi kasus ini berisi riwayat penerbangan pegawai, seperti informasi maskapai, jenis tiket, alamat surel, dan rute perjalanan.

Pegawai	Maskapai	Jenis Tiket	Email	Rute
Ica	Southwest	Economy	ica@email.com	LAX–JFK
Rahmah	SouthWest	Economy	rahmah@email	SFO–LAX
Nayla	Southwest Airlines	Business	nayla@email.com	JFK–ORD
Shinta	Southwest	Economy	Kosong	LAX–SFO
Mita	Southwest	Business	mita@email.com	ORD–LAX

Tabel tersebut memiliki beberapa masalah, nama maskapai yang sama ditulis dengan bentuk yang berbeda, seperti Southwest, South West, Southwest Airlines, dan SouthWest. Selain itu, terdapat alamat email yang tidak lengkap atau kosong.

Proses dimulai dengan menyatukan data menggunakan Union. Kolom yang memiliki informasi sama tetapi menggunakan nama berbeda digabungkan melalui Merge Fields. Variasi penulisan nama maskapai dikelompokkan agar konsisten, sedangkan nilai kosong dan alamat surel yang tidak valid diperiksa sebelum proses berikutnya dilakukan.

Selanjutnya, data digunakan untuk menghitung selisih antara tanggal pembelian tiket dan tanggal keberangkatan serta frekuensi penerbangan setiap pegawai. Hasil perhitungan tersebut membantu melihat seberapa sering pegawai melakukan perjalanan dan dapat digunakan untuk meringkas harga tiket berdasarkan frekuensi penerbangan.

Pada tahap akhir, kode bandara pada data rute disusun kembali melalui proses Pivot. Kode tersebut kemudian digunakan untuk menghubungkan riwayat penerbangan dengan data lokasi bandara melalui Join. Hasilnya akhir adalah data penerbangan pegawai yang lebih terstruktur dan dilengkapi informasi lokasi bandara sehingga lebih siap digunakan untuk analisis maupun visualisasi.

Contoh struktur data setelah diproses dengan Tableau Prep:

Pegawai	Maskapai	Jenis Tiket	Frekuensi Penerbangan	Titik Rute	Kode Bandara	Lokasi Bandara
Ica	Southwest Airlines	Economy	Rarely	Asal	LAX	Los Angeles
Rahmah	Southwest Airlines	Economy	Occasionally	Tujuan	LAX	Los Angeles
Nayla	Southwest Airlines	Business	Frequently	Asal	JFK	New York
Shinta	Southwest Airlines	Economy	Rarely	Tujuan	SFO	San Francisco
Mita	Southwest Airlines	Business	Frequently	Asal	ORD	Chicago

Tabel hasil tersebut merupakan ilustrasi untuk memperlihatkan perubahan struktur data setelah proses pembersihan, perhitungan, Pivot, dan Join.

Data Preparation Membuat Proses Pembersihan Lebih Konsisten dan Dapat Diulang

Tableau Prep mencatat perubahan pada langkah yang bersangkutan sehingga pengguna dapat meninjau kembali, mengubah urutan, atau memperbaiki operasi yang sudah dibuat. Setelah flow selesai, rangkaian operasi tersebut dapat dijalankan kembali untuk memproses data dengan langkah yang sama.

Artinya, nilai utama Tableau Prep bukan sekadar mempercepat satu pekerjaan pembersihan, melainkan membantu membangun proses persiapan data yang lebih konsisten, terdokumentasi, dan mudah diperiksa kembali.

Langkah Praktis Memulai Data Preparation dengan Tableau Prep

Brainers tidak harus menggunakan seluruh fitur Tableau Prep dalam satu flow. Mulailah dari masalah data yang paling terlihat, kemudian tingkatkan kompleksitas sesuai kebutuhan analisis.

1. Hubungkan Sumber Data: masukkan berkas atau tabel ke dalam flow, lalu periksa tipe data, struktur kolom, dan nilai kosong
2. Bersihkan Data yang Bermasalah: tangani nilai kosong, format yang tidak sesuai, penamaan yang tidak konsisten, serta kolom yang tidak diperlukan
3. Gabungkan Sumber Data: gunakan Union untuk data dengan struktur serupa dan Join untuk data yang dihubungkan melalui kolom kunci
4. Tambahkan Perhitungan: gunakan fungsi seperti DATEDIFF atau ekspresi Level of Detail (LOD) sesuai kebutuhan analisis
5. Sesuaikan Struktur Data: gunakan Pivot untuk mengubah susunan data menjadi bentuk yang lebih sesuai untuk dianalisis
6. Simpan Hasil Pengolahan: tentukan format keluaran dan beri keterangan pada langkah penting agar flow mudah dipahami saat digunakan kembali

Urutan tersebut membantu Brainers membangun flow berdasarkan kebutuhan data, bukan berdasarkan banyaknya fitur yang tersedia.

Kesimpulan

Data preparation merupakan tahap penting yang menghubungkan data mentah dengan analisis. Nilai kosong, format yang berbeda, struktur terlalu lebar, nama kolom tidak konsisten, dan data yang tersebar di banyak sumber perlu ditangani sebelum visualisasi dapat memberikan informasi yang dapat dipercaya.

Tableau Prep Builder membantu menyusun proses tersebut dalam flow yang dapat ditelusuri dan dijalankan kembali. Dengan memahami fungsi Clean, Aggregate, Join, Union, Pivot, dan langkah lainnya, Brainers dapat mengurangi pekerjaan manual berulang dan memiliki lebih banyak ruang untuk fokus pada analisis.

Kuasai Data Preparation Bersama Brainmatics

Persiapan data yang baik tidak dimulai dari banyaknya fitur yang digunakan, tetapi dari kemampuan mengenali masalah data dan memilih langkah perbaikan yang tepat.

Melalui Data Analytics Tableau Fundamentals, Brainers akan mempelajari pengolahan dan analisis data secara bertahap, mulai dari perhitungan hingga persiapan data dengan Tableau Prep Builder.

Pada pelatihan ini, Brainers akan mempelajari:

• Ponsep Level of Detail (LOD) Calculation dan Table Calculation untuk kebutuhan analisis;
• Penggunaan Parameter untuk membuat analisis dan dasbor lebih dinamis;
• Persiapan data menggunakan Tableau Prep Builder, mulai dari pembersihan hingga studi kasus data yang belum terstruktur dengan baik; dan
• Praktik membangun flow dari sumber data mentah hingga menghasilkan data yang siap dianalisis

Bangun proses persiapan data yang lebih terstruktur agar waktu Brainers tidak terus habis untuk memperbaiki masalah yang sama pada setiap analisis.

Hubungi Learning Advisor kami sekarang untuk konsultasi mengenai jadwal dan detail course.

Sumber Data dan Referensi

• Press, Gil. “Cleaning Big Data: Most Time-Consuming, Least Enjoyable Data Science Task, Survey Says.” Forbes, 2016.
• Tableau. “About Tableau Prep.” Tableau Help.
• Tableau. “Clean and Shape Data in Tableau Prep.” Tableau Help.
• Tableau. “Pivot Your Data.” Tableau Help.
• Tableau. “Build and Organize Your Flow.” Tableau Help.