Pendahuluan

Di era digital saat ini, data menjadi salah satu aset penting dalam pengambilan keputusan bisnis. Perusahaan dapat menggunakan data untuk mengetahui produk mana yang paling laris, kapan penjualan meningkat, serta bagaimana tren penjualan dari waktu ke waktu. Salah satu cara untuk melakukan analisis data adalah dengan menggunakan bahasa pemrograman Python.

Python memiliki banyak library yang memudahkan proses analisis data, seperti pandas untuk pengolahan data dan matplotlib untuk visualisasi grafik. Dengan bantuan Google Colab, pengguna dapat menjalankan kode Python secara online tanpa perlu menginstal software tambahan di komputer.

Artikel ini akan membahas langkah-langkah melakukan analisis data penjualan sederhana menggunakan Python di Google Colab.

Tools yang Digunakan

Beberapa tools yang digunakan dalam praktik ini yaitu:

• Google Colab
• Python
• Library pandas
• Library matplotlib
• Dataset penjualan (format CSV)

Dataset yang Digunakan

Contoh dataset penjualan yang digunakan:

tanggal	produk	jumlah	harga
2024-01-01	Pulsa	10	12000
2024-01-01	Token Listrik	5	50000
2024-01-02	Paket Data	7	25000
2024-01-02	Pulsa	8	12000
2024-01-03	Paket Data	6	25000

Dataset ini berisi:

• tanggal → tanggal transaksi
• produk → jenis produk yang dijual
• jumlah → jumlah produk terjual
• harga → harga per produk

Langkah-Langkah Praktik

1. Membuka Google Colab

Langkah pertama adalah membuka Google Colab melalui browser.

1. Buka website
   https://colab.research.google.com
2. Klik New Notebook
3. Notebook Python siap digunakan

Google Colab memungkinkan pengguna menjalankan kode Python langsung di browser.

2. Mengimpor Library Python

Langkah berikutnya adalah mengimpor library yang akan digunakan untuk analisis data.

import pandas as pd
import matplotlib.pyplot as plt

Penjelasan:

• pandas digunakan untuk membaca dan mengolah data
• matplotlib digunakan untuk membuat grafik visualisasi

3. Mengupload Dataset

Dataset dapat diupload langsung ke Google Colab dengan kode berikut:

from google.colab import files
uploaded = files.upload()

Setelah menjalankan kode tersebut, akan muncul tombol Choose File untuk mengupload file CSV dari komputer.

---

4. Membaca Dataset

Setelah dataset berhasil diupload, langkah berikutnya adalah membaca data menggunakan pandas.

data = pd.read_csv("penjualan.csv")
data.head()

Fungsi head() digunakan untuk menampilkan beberapa baris pertama dari dataset agar kita dapat melihat struktur data.

---

5. Mengecek Informasi Dataset

Untuk mengetahui informasi lengkap dari dataset, kita dapat menggunakan perintah berikut:

data.info()

Fungsi ini akan menampilkan:

• jumlah baris data
• jumlah kolom
• tipe data setiap kolom

---

6. Menghitung Total Penjualan per Produk

Selanjutnya kita akan menghitung total penjualan setiap produk menggunakan fungsi groupby.

total_penjualan = data.groupby("produk")["jumlah"].sum()
print(total_penjualan)

Hasilnya akan menampilkan jumlah produk yang terjual berdasarkan jenis produk.

Contoh output:

Paket Data        13
Pulsa             18
Token Listrik      5

---

7. Membuat Visualisasi Grafik

Agar data lebih mudah dipahami, kita dapat menampilkan hasil analisis dalam bentuk grafik batang.

data.groupby("produk")["jumlah"].sum().plot(kind="bar")plt.title("Total Penjualan per Produk")
plt.xlabel("Produk")
plt.ylabel("Jumlah Terjual")plt.show()

Grafik batang akan menampilkan perbandingan jumlah penjualan setiap produk.

---

8. Analisis Hasil

Dari grafik yang dihasilkan, kita dapat melihat produk mana yang memiliki jumlah penjualan paling tinggi.

Misalnya:

• Produk Pulsa memiliki penjualan tertinggi
• Produk Token Listrik memiliki penjualan terendah

Informasi ini dapat digunakan untuk membantu menentukan strategi penjualan, seperti meningkatkan promosi pada produk yang kurang laku.

---

Kesimpulan

Berdasarkan praktik yang telah dilakukan, dapat disimpulkan bahwa Python dapat digunakan untuk melakukan analisis data penjualan dengan mudah dan cepat. Dengan bantuan library pandas dan matplotlib, data dapat diolah dan divisualisasikan menjadi grafik yang informatif.

Selain itu, Google Colab memudahkan pengguna dalam menjalankan kode Python tanpa perlu melakukan instalasi software tambahan. Dengan memahami teknik analisis data sederhana ini, pengguna dapat mengembangkan analisis yang lebih kompleks di masa depan.