Cara Bikin Portfolio Data Science dengan Excel

Dalam era digital yang semakin maju, data science telah menjadi bidang yang sangat penting dan relevan. Data science memungkinkan kita untuk mendapatkan insight berharga dari data, mengidentifikasi tren, dan membuat keputusan yang didasarkan pada pemahaman yang mendalam tentang pola-pola yang ada. Bagi banyak orang, memiliki portfolio data science menjadi suatu hal yang penting untuk memasuki dunia profesional yang semakin kompetitif.

Namun, bagi pemula yang tidak memiliki kemampuan coding, mungkin akan kesulitan untuk memulai membangun portfolio data science.Tidak perlu khawatir, ada satu alat yang terjangkau dan mudah digunakan yang dapat membantu kalian membangun portfolio yang kuat, yaitu Microsoft Excel. Bagaimana bisa? Artikel ini akan memberikan contoh studi kasus sederhana tentang analisis tren menggunakan Excel dan langkah-langkah praktis yang dapat diikuti oleh siapa pun untuk memulai membangun portfolio data science mereka. Yuk, praktikkan!

1. Persiapan Data

Buka Excel dan buatlah spreadsheet baru. Buat dua kolom, yaitu "Bulan" dan "Penjualan Bulanan". Isi kolom "Bulan" dengan data bulan-bulan misalnya Januari, Februari, Maret, April, Mei, Juni. Isi kolom "Penjualan Bulanan" dengan data penjualan bulanan yang sesuai: 100, 120, 110, 130, 140, 150. Berikut contoh hasil data yang dibuat.

2. Grafik dan Trendline

Pilih seluruh data di kolom "Bulan" dan "Penjualan Bulanan". Klik tab "Insert" di menu utama Excel. Pilih jenis grafik yang sesuai, misalnya grafik garis.

Setelah grafik dibuat, klik kanan pada salah satu titik data di grafik. Pilih "Add Trendline" dari menu konteks yang muncul.

Dalam kotak dialog "Add Trendline", pilih tipe tren yang sesuai, misalnya "Linear". 

Jika diinginkan, centang kotak "Display Equation on chart" dan "Display R-squared value on chart" untuk menampilkan persamaan tren dan koefisien determinasi. Klik "OK" untuk menambahkan garis tren ke grafik.

Diperoleh hasil seperti berikut.

Baca juga : Memahami Keunggulan dan Manfaat Data Science dalam Dunia Bisnis

3. Interpretasi Hasil

Persamaan tren: "y = 9.4286x + 92" menunjukkan adanya hubungan linier antara bulan (x) dan penjualan bulanan (y). Dalam hal ini, setiap bulan penjualan bulanan meningkat sebesar 9.4286 unit. Misalnya, setiap bulan berlalu, penjualan bulanan cenderung naik sekitar 9.4286 unit.

Nilai R-squared sebesar 0.889 menggambarkan sejauh mana garis tren (persamaan linier yang diperoleh) cocok dengan data penjualan bulanan. Nilai R-squared berkisar antara 0 hingga 1, di mana semakin mendekati 1, semakin baik garis tren menggambarkan data secara akurat. Dalam kasus ini, R-squared sebesar 0.889 menunjukkan bahwa sekitar 88.9% variasi dalam data penjualan bulanan dapat dijelaskan oleh garis tren atau persamaan linier yang dimiliki.

4. Tambahkan Prediksi Nilai Masa Depan

Dengan persamaan tren yang diperoleh "y = 9.4286x + 92" dan nilai R-squared sebesar 0.889, kalian dapat menggunakan persamaan ini untuk memprediksi nilai penjualan bulanan di masa depan. Misalnya, memprediksi penjualan bulanan pada bulan berikutnya setelah Juni (misalnya bulan Juli). SahabatDQ dapat menggantikan nilai x dalam persamaan tren dengan nilai bulan yang sesuai.

Jika Juli adalah bulan ke-7 dalam urutan bulan, maka x = 7. Menggantikan nilai ini ke dalam persamaan tren, kita dapat menghitung prediksi nilai penjualan bulanan di bulan Juli sebagai berikut:

y = 9.4286(7) + 92 y = 66 + 92 y = 158

Dengan demikian, berdasarkan persamaan tren yang diperoleh, prediksi penjualan bulanan di bulan Juli adalah sekitar 158 unit. Perlu diingat bahwa prediksi ini didasarkan pada asumsi tren linier yang berlanjut saja. Faktor-faktor lain di luar tren linier mungkin mempengaruhi penjualan bulanan di masa depan.

Dengan menambahkan penjelasan serta bentuk prediksi nilai di masa depan seperti itu, akan membuat portfolio data SahabatDQ semakin menarik. Artinya, kalian tidak hanya mampu secara teknikal menghasilkan diagram, tapi juga mampu menjelaskan arti dan interpretasinya di masa depan.

Baca juga : 3 Contoh Penerapan Data Science yang Sangat Berguna di Dunia Perindustrian

Contoh di atas hanya menggunakan data yang sangat sederhana, ya. Tentunya untuk membangun portfolio yang menarik, SahabatDQ juga perlu eksplorasi dalam berbagai kondisi dataset. Nah, DQLab dapat dijadikan acuan untuk eksplorasi beragam studi kasus. Tidak hanya itu, kalau kalian ingin memperkuat tools lain di bidang data science kalian juga akan bisa mengakses modul pembelajaran lainnya. Bahkan modul ini sudah terintegrasi dengan ChatGPT loh! Sehingga sangat bermanfaat diantaranya:

• Membantu kalian menjelaskan lebih detail code yang sedang dipelajari

• Membantu menemukan code yang salah atau tidak sesuai

• Memberikan solusi atas problem yang dihadapi pada code

• Membantu kalian belajar kapanpun dan dimanapun

Selain itu, DQLab juga menggunakan metode HERO yaitu Hands-On, Experiential Learning & Outcome-based, yang dirancang ramah untuk pemula. Tunggu apa lagi, segera Sign Up dan percantik portfolio kalian sekarang juga! 

Penulis : Dita Feby 

Editor : Annissa Widya