Kursus Analisis Data di Jogja

Membedakan nominal, ordinal, interval, dan rasio; mengenali kapan angka hanya berfungsi sebagai kode; menurunkan daftar uji yang sah dari skala tiap kolom.

Menghitung rata-rata dari kode kategori dan memperlakukan skala Likert seolah interval tanpa satu pun alasan yang dituliskan di bab metode.

Menangani duplikat, sel kosong, angka yang tersimpan sebagai teks, tanggal berformat campur, sel gabungan, dan kolom yang memuat dua informasi sekaligus.

Memperbaiki data langsung di berkas asli, sehingga langkah pembersihan tidak bisa diulang dan angka di laporan tidak dapat dilacak balik ke sumbernya.

Rata-rata, median, modus, simpangan baku, kuartil, tabel frekuensi, serta tabulasi silang untuk melihat hubungan antar dua variabel kategori.

Memakai rata-rata pada data yang menjulur, misalnya omzet harian warung yang melonjak tiap akhir pekan, sehingga gambaran umumnya menyesatkan pembaca.

Memilih bentuk grafik sesuai jenis data, menata sumbu dan label, membatasi jumlah kategori, serta memakai warna sebagai penanda makna.

Memotong sumbu vertikal supaya selisih kecil tampak dramatis, dan menumpuk belasan irisan dalam satu diagram lingkaran sampai tak terbaca.

Normalitas lewat Kolmogorov-Smirnov dan Shapiro-Wilk, multikolinearitas lewat nilai VIF dan tolerance, heteroskedastisitas lewat uji Glejser dan sebaran residual, autokorelasi lewat Durbin-Watson.

Melompat langsung ke regresi berganda tanpa memeriksa asumsi, lalu kehilangan arah ketika penguji menanyakan angka VIF di ruang sidang.

Uji t untuk sampel bebas dan berpasangan, ANOVA satu jalur, khi-kuadrat, korelasi Pearson dan Spearman, serta padanan nonparametrik seperti Mann-Whitney dan Wilcoxon.

Memilih uji berdasarkan nama variabel yang terdengar mirip contoh di buku, tanpa menimbang desain penelitian dan skala datanya sendiri.

Regresi linear sederhana dan berganda, tafsir koefisien beserta satuannya, uji t per koefisien, uji F, R kuadrat dan bentuk terkoreksinya, serta pemakaian variabel boneka.

Membaca R kuadrat yang besar sebagai bukti bahwa modelnya benar, lalu menyebut hubungan antar variabel sebagai hubungan sebab-akibat.

Regresi logistik, pohon keputusan, pengelompokan k-means, serta segmentasi pelanggan berdasarkan kekinian transaksi, frekuensi belanja, dan nilai belanjanya.

Bangga pada akurasi 95 persen padahal kelas yang dicari hanya menempati 5 persen data, sehingga model yang selalu menebak mayoritas tampak hebat.

Pemisahan data latih dan data uji, validasi silang, gejala model kelewat pas, serta ukuran galat seperti RMSE dan MAE untuk model berkeluaran angka.

Melakukan penskalaan atau pengisian nilai kosong sebelum data dipisah, sehingga informasi data uji bocor ke proses latihan dan hasilnya tampak terlalu bagus.

Persetujuan responden, penyamaran identitas, pemisahan berkas kunci, batas berbagi data, serta cara menyebut sumber data di laporan.

Menyimpan nama dan nomor telepon responden di lembar yang sama dengan hasil olahan, lalu membagikan berkas itu apa adanya ke dosen atau rekan kerja.