Seluruh Artikel Bermanfaat
  • Home
  • Microsoft office
    • Microsoft Word
    • Microsoft Excel
    • Microsoft Power Point
  • About
  • Contact

Tutorial Microsoft Excel Data Analytics dan Business Intelligence - Level 7

 Willong     Oktober 10, 2026     Microsoft Excel     No comments   

 Tutorial Microsoft Excel Data Analytics dan Business Intelligence

Setelah menguasai formula tingkat lanjut, Power Query, Power Pivot, DAX, dashboard, dan VBA, tahap berikutnya adalah mempelajari Data Analytics dan Business Intelligence (BI).

Pada tahap ini kita belajar bagaimana mengambil data mentah dalam jumlah besar, membersihkannya, menghubungkan berbagai sumber data, melakukan analisis, kemudian menyajikannya menjadi informasi yang mudah dipahami.

Alur kerjanya:

DATA MENTAH
     ↓
DATA CLEANING
     ↓
POWER QUERY
     ↓
DATA MODEL
     ↓
DAX
     ↓
ANALISIS
     ↓
DASHBOARD
     ↓
BUSINESS INSIGHT
     ↓
KEPUTUSAN

1. Apa Itu Data Analytics?

Data Analytics adalah proses mengolah data untuk menemukan:

  • Pola.

  • Tren.

  • Perbandingan.

  • Masalah.

  • Peluang.

  • Penyebab perubahan.

  • Prediksi.

Contohnya bukan hanya:

Penjualan bulan ini Rp500 juta.

Tetapi:

Penjualan turun 12% dibandingkan bulan sebelumnya karena penjualan wilayah Jawa Barat turun 25%.

Informasi kedua jauh lebih berguna untuk mengambil keputusan.


2. Mengenal Business Intelligence

Business Intelligence atau BI adalah proses mengubah data menjadi informasi yang membantu perusahaan mengambil keputusan.

Contohnya:

Database Penjualan
        ↓
Data Processing
        ↓
Analisis
        ↓
Dashboard
        ↓
Manajemen
        ↓
Keputusan Bisnis

BI biasanya digunakan untuk:

  • Penjualan.

  • Keuangan.

  • Marketing.

  • Inventory.

  • Customer.

  • HR.

  • Operasional.


3. Memahami Data Source

Data tidak selalu berasal dari Excel.

Sumber data dapat berupa:

  • Excel.

  • CSV.

  • TXT.

  • Database SQL.

  • Website.

  • SharePoint.

  • Folder.

  • Sistem ERP.

  • Sistem POS.

  • API.

Excel dan Power Query dapat menjadi salah satu pintu masuk untuk mengolah berbagai sumber tersebut.


4. Prinsip ETL

Dalam data analytics terdapat konsep ETL.

ETL berarti:

Extract

Mengambil data.

Transform

Membersihkan dan mengubah data.

Load

Memasukkan data ke model atau tujuan akhir.

Contoh:

CSV
 ↓
Extract
 ↓
Power Query
 ↓
Clean Data
 ↓
Transform
 ↓
Load
 ↓
Data Model

5. Data Cleaning Profesional

Data mentah sering memiliki masalah seperti:

Jakarta
jakarta
JAKARTA
Jakarta 
 Jakarta

Secara manusia terlihat sama.

Namun komputer dapat menganggapnya berbeda.

Data perlu distandarkan.

Contohnya:

=TRIM(A2)

dan:

=UPPER(A2)

Atau proses tersebut dilakukan melalui Power Query.


6. Menangani Missing Data

Data bisa memiliki nilai kosong.

Contoh:

ProdukQtyHarga
Buku1010000
Pulpen
5000
Pensil5

Kita harus menentukan:

  • Apakah data kosong memang valid?

  • Apakah harus diisi?

  • Apakah harus dihapus?

  • Apakah harus diberi nilai default?

Jangan langsung mengganti semua nilai kosong dengan 0 tanpa memahami arti datanya.


7. Menangani Duplicate Data

Duplikat harus dianalisis terlebih dahulu.

Contohnya:

TRX001
TRX001

Apakah itu transaksi yang sama?

Atau memang terdapat dua transaksi dengan ID yang salah?

Gunakan kombinasi:

  • ID transaksi.

  • Tanggal.

  • Produk.

  • Customer.

  • Qty.

untuk menentukan apakah data benar-benar duplikat.


8. Membuat Data Model

Data model yang baik biasanya menggunakan beberapa tabel.

Contoh:

             DIM_PRODUCT
                  │
                  │
DIM_CUSTOMER ─ FACT_SALES ─ DIM_SALES
                  │
                  │
             DIM_DATE

Ini merupakan konsep dasar model data yang sangat penting.


9. Fact Table

Fact Table berisi transaksi atau angka yang dapat dianalisis.

Contoh:

DateProductIDCustomerIDSalesIDQtyRevenue

Contohnya:

01/10/2026
P001
C001
S001
10
100000

10. Dimension Table

Dimension Table berisi informasi deskriptif.

Contohnya:

Product

ProductIDProductCategory

Customer

CustomerIDCustomerCity

Sales

SalesIDSalesRegion

Date

DateYearMonthQuarter

11. Star Schema

Model yang sangat umum dalam Business Intelligence adalah Star Schema.

Strukturnya:

             Product
                │
                │
Customer ─── Sales ─── Salesperson
                │
                │
              Date

Tabel transaksi berada di tengah dan tabel dimensi mengelilinginya.

Model ini membantu membuat analisis lebih terstruktur.


12. Membuat Date Table

Analisis waktu sangat penting.

Date Table sebaiknya memiliki:

DateYearMonthMonth NoQuarterWeek

Contoh:

01/01/2026 | 2026 | January | 1 | Q1 | 1
02/01/2026 | 2026 | January | 1 | Q1 | 1

Dengan Date Table kita dapat melakukan analisis:

  • Year-over-Year.

  • Month-over-Month.

  • Quarter-over-Quarter.

  • YTD.

  • MTD.


13. DAX untuk Total Penjualan

Contoh measure:

Total Sales :=
SUM(Sales[Revenue])

Measure ini dapat digunakan pada berbagai visual.


14. Total Quantity

Total Qty :=
SUM(Sales[Qty])

Dengan measure ini kita dapat mengetahui jumlah barang yang terjual.


15. Average Sales

Average Sales :=
AVERAGE(Sales[Revenue])

Dapat digunakan untuk mengetahui rata-rata nilai transaksi.


16. Year-to-Date

YTD digunakan untuk menghitung nilai dari awal tahun sampai tanggal tertentu.

Konsepnya:

Sales YTD :=
TOTALYTD(
    [Total Sales],
    'Date'[Date]
)

Ini berguna untuk membandingkan performa tahun berjalan.


17. Year-over-Year

Misalnya:

Sales tahun 2025 = Rp1 Miliar
Sales tahun 2026 = Rp1,2 Miliar

Pertumbuhan:

20%

Konsep DAX:

Sales Growth :=
DIVIDE(
    [Total Sales] - [Previous Year Sales],
    [Previous Year Sales]
)

18. Analisis Pareto

Pareto digunakan untuk mencari kontribusi terbesar.

Misalnya:

20% produk
menghasilkan
80% penjualan

Analisis ini dapat membantu perusahaan menentukan:

  • Produk prioritas.

  • Customer utama.

  • Wilayah utama.

  • Sales terbaik.


19. Analisis ABC

Produk dapat dikelompokkan menjadi:

A

Produk dengan kontribusi sangat besar.

B

Kontribusi menengah.

C

Kontribusi kecil.

Contoh:

A = 70% revenue
B = 20% revenue
C = 10% revenue

Analisis ini dapat digunakan untuk inventory dan sales management.


20. Analisis Customer

Dashboard dapat digunakan untuk mengetahui:

  • Customer terbesar.

  • Customer yang mulai tidak aktif.

  • Customer baru.

  • Customer berulang.

  • Rata-rata transaksi.

  • Total lifetime value.

Contoh KPI:

Total Customers
Active Customers
New Customers
Repeat Customers
Average Order Value

21. Analisis Inventory

Untuk stok barang, kita dapat membuat:

Stock Awal
+
Pembelian
-
Penjualan
=
Stock Akhir

Kemudian tambahkan:

  • Minimum Stock.

  • Maximum Stock.

  • Reorder Point.

Contoh:

Jika Stock <= Reorder Point
→ Restock

22. Analisis Penjualan Bulanan

Dashboard dapat menampilkan:

JAN ███████████
FEB █████████████
MAR ███████████████
APR █████████
MAY █████████████████

Kemudian analisis:

  • Bulan terbaik.

  • Bulan terburuk.

  • Tren.

  • Pertumbuhan.

  • Penurunan.


23. Analisis Salesperson

Misalnya:

SalesSalesTargetAchievement
Andi150 jt120 jt125%
Budi100 jt120 jt83%
Citra135 jt130 jt104%

Dari sini kita dapat mengetahui siapa yang mencapai target.


24. Membuat KPI

KPI adalah indikator performa utama.

Contoh:

TOTAL SALES
Rp1.250.000.000

TARGET
Rp1.000.000.000

ACHIEVEMENT
125%

GROWTH
+18%

KPI harus menjawab pertanyaan bisnis, bukan sekadar memenuhi dashboard.


25. Dashboard yang Baik

Dashboard profesional sebaiknya:

  • Tidak terlalu ramai.

  • Memiliki hierarki informasi.

  • Menampilkan KPI utama.

  • Memiliki filter.

  • Menggunakan grafik yang sesuai.

  • Tidak menggunakan terlalu banyak warna.

  • Memiliki judul yang jelas.

  • Menampilkan periode data.

Tujuan dashboard adalah membantu pengguna memahami kondisi bisnis dengan cepat.


26. Dari Dashboard ke Insight

Jangan berhenti pada grafik.

Misalnya dashboard menunjukkan:

Penjualan turun 15%.

Analisis berikutnya:

  • Produk mana yang turun?

  • Kota mana yang turun?

  • Sales mana yang turun?

  • Kapan mulai turun?

  • Apakah harga berubah?

  • Apakah stok bermasalah?

Inilah yang membedakan data reporting dengan data analytics.


27. Root Cause Analysis

Ketika KPI turun, lakukan analisis bertingkat.

Contoh:

Total Sales turun
        ↓
Wilayah mana?
        ↓
Jakarta
        ↓
Produk mana?
        ↓
Produk A
        ↓
Mengapa?
        ↓
Stock Out

Hasil akhirnya:

Penjualan turun karena Produk A mengalami stock out di wilayah Jakarta.

Informasi ini jauh lebih berguna bagi manajemen.


28. What-If Analysis

Excel memiliki fitur untuk melakukan simulasi.

Misalnya:

Bagaimana jika harga naik 5%?

Atau:

Bagaimana jika penjualan naik 10%?

Atau:

Berapa jumlah penjualan yang dibutuhkan untuk mencapai profit Rp100 juta?

Fitur yang dapat digunakan:

  • Goal Seek.

  • Scenario Manager.

  • Data Table.


29. Forecasting

Excel dapat digunakan untuk membuat perkiraan.

Misalnya data:

Januari  = 100 jt
Februari = 110 jt
Maret    = 125 jt
April    = 130 jt

Kita dapat membuat forecast untuk bulan berikutnya berdasarkan pola historis.

Namun forecast harus diperlakukan sebagai perkiraan, bukan kepastian.


30. Analisis Statistik

Pada level ini kita juga dapat mempelajari:

  • Mean.

  • Median.

  • Standard deviation.

  • Variance.

  • Correlation.

  • Regression.

  • Distribution.

Contoh:

=AVERAGE(A2:A100)

dan:

=STDEV.S(A2:A100)

Statistik membantu memahami karakteristik data secara lebih mendalam.


31. Korelasi

Misalnya kita ingin mengetahui hubungan antara:

Biaya Iklan
dan
Penjualan

Kita dapat menggunakan:

=CORREL(A2:A100,B2:B100)

Nilai mendekati:

+1

menunjukkan hubungan positif yang kuat.

Namun korelasi tidak otomatis berarti sebab-akibat.


32. Regresi

Regresi dapat digunakan untuk mempelajari hubungan antarvariabel dan membuat model prediksi.

Contoh:

Biaya Iklan
      ↓
Model
      ↓
Prediksi Penjualan

Ini mulai masuk ke wilayah data analytics yang lebih serius.


33. Power BI

Setelah menguasai konsep di atas, langkah berikutnya adalah mempelajari Power BI.

Power BI dapat digunakan untuk:

  • Mengambil data.

  • Transformasi data.

  • Data modeling.

  • DAX.

  • Dashboard interaktif.

  • Sharing laporan.

  • Scheduled refresh.

Skill Excel yang sudah dipelajari sebelumnya sangat membantu ketika berpindah ke Power BI.


34. Excel vs Power BI

Excel sangat cocok untuk:

  • Analisis ad-hoc.

  • Perhitungan.

  • Input data.

  • Model sederhana.

  • Spreadsheet.

  • Automasi personal.

Power BI lebih cocok untuk:

  • Dashboard organisasi.

  • Data besar.

  • Banyak sumber data.

  • Distribusi laporan.

  • Business Intelligence.

  • Monitoring KPI.

Keduanya dapat digunakan bersama.


35. Workflow Profesional

Salah satu workflow yang dapat digunakan:

Excel / CSV / Database
          ↓
      Power Query
          ↓
      Data Model
          ↓
          DAX
          ↓
     Power BI / Excel
          ↓
       Dashboard
          ↓
        Insight
          ↓
       Decision

Ini merupakan salah satu jalur yang sangat baik untuk dipelajari setelah Excel Expert.


36. Proyek Akhir Level 7

Buat proyek:

SALES BUSINESS INTELLIGENCE DASHBOARD

Gunakan minimal:

  • 10.000 transaksi.

  • 100 produk.

  • 50 customer.

  • 20 salesperson.

  • 10 kota.

  • Data selama 2 tahun.

Dashboard harus menampilkan:

KPI

  • Total Sales.

  • Total Profit.

  • Total Qty.

  • Total Customer.

  • Average Order Value.

  • Growth.

Analisis

  • Sales per bulan.

  • Sales per tahun.

  • Sales per kota.

  • Sales per produk.

  • Sales per salesperson.

  • Top 10 customer.

  • Top 10 produk.

Interaktif

  • Filter tahun.

  • Filter bulan.

  • Filter kota.

  • Filter kategori.

  • Filter sales.

Analisis lanjutan

  • YoY Growth.

  • YTD.

  • Pareto.

  • ABC Analysis.

  • Target Achievement.

  • Forecast.


37. Skill yang Harus Dikuasai

Setelah menyelesaikan level ini, Anda diharapkan memahami:

Excel

  • Advanced Formula.

  • Dynamic Array.

  • PivotTable.

  • Dashboard.

  • Power Query.

  • Power Pivot.

  • DAX.

  • VBA.

Data Analytics

  • Data Cleaning.

  • Data Modeling.

  • KPI.

  • Trend Analysis.

  • Pareto.

  • ABC Analysis.

  • Forecasting.

  • Root Cause Analysis.

Business Intelligence

  • ETL.

  • Fact Table.

  • Dimension Table.

  • Star Schema.

  • Data Model.

  • Dashboard.

  • Business Insight.


Kesimpulan

Pada Level 7, tujuan utama bukan lagi sekadar membuat laporan.

Tujuannya adalah menjawab pertanyaan:

"Apa yang terjadi?"

Kemudian:

"Mengapa hal tersebut terjadi?"

Dan akhirnya:

"Apa yang harus dilakukan?"

Inilah inti dari Data Analytics dan Business Intelligence.

Setelah menguasai level ini, perjalanan berikutnya dapat dilanjutkan ke Level 8 — Power BI Professional & Advanced DAX, kemudian Level 9 — Excel + AI dan Automation, hingga akhirnya masuk ke Level 10 — Data & Business Intelligence Solution Architect.

  • Share This:  
  •  Facebook
  •  Twitter
  •  Google+
  •  Stumble
  •  Digg
Kirimkan Ini lewat EmailBlogThis!Bagikan ke XBerbagi ke Facebook
Posting Lebih Baru Posting Lama Beranda

0 Comments:

Posting Komentar

Label

  • Microsoft Excel (35)
  • Microsoft Power Point (27)
  • MICROSOFT WORD (47)

Popular Posts

  • Tutorial Microsoft Excel untuk Pemula
    Tutorial Microsoft Excel untuk Pemula: Panduan Lengkap dari Nol Microsoft Excel adalah salah satu aplikasi yang banyak digunakan untuk mengo...
  • Tutorial Microsoft Excel Tingkat Lanjutan: Panduan Lengkap dan Praktis
      Tutorial Microsoft Excel Tingkat Lanjutan: Panduan Lengkap dan Praktis Setelah menguasai Excel tingkat pemula dan menengah, tahap berikutn...
  • Tutorial Microsoft Excel Tingkat Selanjutnya: Excel Expert dan Professional
     Tutorial Microsoft Excel Tingkat Selanjutnya: Excel Expert dan Professional Setelah menguasai Excel tingkat lanjutan, kini saatnya masuk ke...
  • TUTORIAL MICROSOFT WORD - LEVEL 1
      TUTORIAL MICROSOFT WORD MENGENAL MICROSOFT WORD UNTUK PEMULA Tujuan Pembelajaran Setelah menyelesaikan Level 1, pembaca diharapkan mampu: ...
  • Tutorial Cara Membuat Surat Undangan Profesional di Microsoft Word - Level 17
      T utorial Cara Membuat Surat Undangan Profesional di Microsoft Word Tujuan Pembelajaran Setelah mengikuti tutorial ini, pembaca diharapkan...
  • Tutorial Cara Membuat Laporan Kegiatan yang Rapi dan Profesional - Level 19
     Tutorial Cara Membuat Laporan Kegiatan yang Rapi dan Profesional Tujuan Pembelajaran Setelah menyelesaikan tutorial ini, pembaca diharapkan...
  • Tutorial Enterprise AI & Data Architect - Level 15
    Enterprise AI & Data Architect Membangun Platform Data, BI, Machine Learning, dan AI Terintegrasi Level 15 adalah tahap ketika kita berh...
  • DEEP LEARNING & NEURAL NETWORKS - LEVEL 19
       DEEP LEARNING & NEURAL NETWORKS Dari Neural Network Dasar sampai Transformer Deep Learning adalah cabang Machine Learning yang menggu...
  • TUTORIAL MICROSOFT WORD - LEVEL 12
     TUTORIAL MICROSOFT WORD  MEMBUAT FOOTNOTE DAN ENDNOTE DI MICROSOFT WORD Tujuan Pembelajaran Setelah menyelesaikan Level 12, pembaca diharap...
  • Tutorial Machine Learning & Advanced Analytics - Level 13
      Tutorial Machine Learning & Advanced Analytics Dari Data Engineering Menuju Prediksi dan Sistem Cerdas Pada Level 12 kita sudah memban...

Pages

  • Beranda
  • Tentang Saya

Blog Archive

  • November 2026 (51)
  • Oktober 2026 (58)

Laporkan Penyalahgunaan

Seluruh Artikel Bermanfaat

Willong
Indonesia
Lihat profil lengkapku

Popular Posts

Cara Membuat Presentasi Interaktif Menggunakan Action Button - Level 23

Cara Membuat Presentasi Interaktif Menggunakan Action Button - Level 23

November 16, 2026
Cara Menambahkan Hyperlink dan Bookmark di Microsoft Word -  Level 42

Cara Menambahkan Hyperlink dan Bookmark di Microsoft Word - Level 42

November 16, 2026
Cara Membuat Dokumen dengan Banyak Section di Microsoft Word - Level 44

Cara Membuat Dokumen dengan Banyak Section di Microsoft Word - Level 44

November 18, 2026

Copyright © Seluruh Artikel Bermanfaat | Powered by Blogger