Panduan Praktis dari Nol sampai Bisa — Bisa Langsung Dicoba di Google Colab / VSCode

TL;DR (buat yang buru-buru) Window function itu cara SQL untuk “mengintip” baris lain tanpa menghilangkan baris aslinya (beda sama GROUP BY yang meringkas). Empat fungsi paling sering dipakai: ROW_NUMBER() (nomor urut unik), RANK() (peringkat, bisa kembar & ada lompatan), LAG() (lihat baris sebelumnya), LEAD() (lihat baris berikutnya).

1. Mengapa Window Function SQL Itu Penting?

Bayangkan kamu punya data penjualan per bulan, terus disuruh bos:

• “Ranking-in dong sales terbaik tiap cabang!”
• “Bandingin omzet bulan ini vs bulan lalu, growth-nya berapa persen?”
• “Ambil 1 transaksi terakhir tiap customer.”

Kalau pakai GROUP BY biasa, baris-baris detail kamu akan hilang karena diringkas. Di sinilah window function menyelamatkan hidup — dia menghitung sesuatu (ranking, rata-rata, nilai baris sebelah) tanpa meringkas data aslinya.

┌─────────────────────────────────────────────────┐
│  GROUP BY           →  banyak baris jadi sedikit  │
│  WINDOW FUNCTION    →  banyak baris tetap banyak,  │
│                         tapi tiap baris "sadar"     │
│                         posisi & tetangganya        │
└─────────────────────────────────────────────────┘

2. Anatomi Syntax-nya

Semua window function punya bentuk umum begini:

FUNGSI() OVER (
    PARTITION BY kolom_pengelompok   -- opsional, seperti "GROUP BY versi window"
    ORDER BY kolom_urutan            -- wajib untuk RANK, ROW_NUMBER, LAG, LEAD
)

3. Siapkan Dataset — Bisa Jalan di Google Colab MAUPUN VSCode

Kita pakai SQLite via Python supaya kamu nggak perlu install database server. Kode ini identik persis di Colab dan VSCode (asal Python & pandas terinstall) Sihlakan gunakan Dataset ini untuk melakukan praktek langsung !

import sqlite3
import pandas as pd

# Buat koneksi database in-memory
conn = sqlite3.connect(":memory:")
cur = conn.cursor()

# Buat tabel penjualan
cur.execute("""
CREATE TABLE penjualan (
    id INTEGER PRIMARY KEY,
    cabang TEXT,
    sales TEXT,
    bulan TEXT,
    omzet INTEGER
)
""")

data = [
    (1, 'Jakarta', 'Andi',  '2026-01', 15000000),
    (2, 'Jakarta', 'Andi',  '2026-02', 18000000),
    (3, 'Jakarta', 'Budi',  '2026-01', 22000000),
    (4, 'Jakarta', 'Budi',  '2026-02', 19000000),
    (5, 'Bandung', 'Citra', '2026-01', 12000000),
    (6, 'Bandung', 'Citra', '2026-02', 25000000),
    (7, 'Bandung', 'Dewi',  '2026-01', 22000000),
    (8, 'Bandung', 'Dewi',  '2026-02', 22000000),
]

cur.executemany("INSERT INTO penjualan VALUES (?,?,?,?,?)", data)
conn.commit()

pd.read_sql("SELECT * FROM penjualan", conn)

Nanti hasilnya seperti ini juga sudah salin kode di atas :

Catatan VSCode: pastikan sudah pip install pandas di terminal, lalu jalankan file .py ini via Jupyter extension atau python nama_file.py (untuk versi non-Jupyter, ganti baris terakhir dengan print(...)).

Jika kamu ingin melatih Validasi Query SQL untuk melanjutkan tutorial ini ketingkat yang lebih tinggi sihlakan kunjungi artikel dibawah ini :

4. ROW_NUMBER() — “Nomor Antrean”

Memberi nomor urut unik, 1, 2, 3, … tanpa ada yang kembar, meskipun nilainya sama persis.

Mengapa harus pakai ROW_NUMBER()? Karena ini cara paling gampang untuk memberi nomor urut mutlak pada tiap baris di dalam kelompoknya — cocok kalau kamu butuh kepastian satu baris “juara” tanpa toleransi nilai kembar.

query = """
SELECT
    cabang,
    sales,
    bulan,
    omzet,
    ROW_NUMBER() OVER (
        PARTITION BY cabang
        ORDER BY omzet DESC
    ) AS no_urut
FROM penjualan;
"""

pd.read_sql(query, conn)

query = """
SELECT
    cabang, sales, bulan, omzet,
    ROW_NUMBER() OVER (PARTITION BY cabang ORDER BY omzet DESC) AS no_urut
FROM penjualan;
"""
pd.read_sql(query, conn)

ini hasilnya jika sudah di salin :

Kapan dipakai? Ambil “Top-1 per kelompok” (misal: transaksi terakhir tiap customer, produk terlaris per kategori).

5. RANK() — “Peringkat Lomba”

Mirip ROW_NUMBER(), tapi kalau nilainya sama, peringkatnya sama juga — dan nomor berikutnya melompat.

Mengapa RANK() beda dari ROW_NUMBER()? Karena di dunia nyata, dua orang bisa saja punya nilai yang sama persis (misalnya omzet kembar). RANK() menjawab pertanyaan “mengapa dua sales ini pantas dapat peringkat yang sama?” dengan cara yang adil secara statistik.

query = """
SELECT
    cabang,
    sales,
    omzet,
    RANK() OVER (
        PARTITION BY cabang
        ORDER BY omzet DESC
    ) AS peringkat
FROM penjualan
WHERE bulan = '2026-02';
"""

pd.read_sql(query, conn)

📊 Ilustrasi bedanya dengan ROW_NUMBER:

6. LAG() — “Lihat ke Belakang”

Mengambil nilai dari baris sebelumnya dalam urutan yang sama. Paling populer untuk hitung growth month-over-month.

Mengapa LAG() penting untuk analisis tren? Karena mengapa sebuah angka naik atau turun baru bisa dijawab kalau kita bisa membandingkannya dengan nilai periode sebelumnya — dan itulah tepatnya yang dilakukan LAG().

query = """
SELECT
    cabang,
    sales,
    bulan,
    omzet,
    LAG(omzet, 1) OVER (
        PARTITION BY sales
        ORDER BY bulan
    ) AS omzet_bulan_lalu,
    ROUND(
        (omzet - LAG(omzet, 1) OVER (PARTITION BY sales ORDER BY bulan)) * 100.0
        / LAG(omzet, 1) OVER (PARTITION BY sales ORDER BY bulan), 2
    ) AS growth_persen
FROM penjualan;
"""

pd.read_sql(query, conn)

🎯 Kapan dipakai? Analisis tren (growth, churn), bandingkan nilai sekarang vs periode sebelumnya.

7. LEAD() — “Lihat ke Depan”

Kebalikan dari LAG() — mengintip nilai baris berikutnya.

Mengapa perlu LEAD()? Mengapa tidak cukup hanya melihat ke belakang? Karena banyak analisis bisnis butuh jawaban atas “apa yang terjadi setelahnya” — misalnya mengapa transaksi menurun setelah promo berakhir. LEAD() membantu menjawab pertanyaan “mengapa” yang berorientasi ke masa depan itu.

query = """
SELECT
    cabang,
    sales,
    bulan,
    omzet,
    LEAD(omzet, 1) OVER (
        PARTITION BY sales
        ORDER BY bulan
    ) AS omzet_bulan_depan
FROM penjualan;
"""

pd.read_sql(query, conn)

🎯 Kapan dipakai? Prediksi sederhana, cari tahu “apa yang terjadi setelah event X” (mis. transaksi setelah promo).

8. Studi Kasus Gabungan — “Laporan Kinerja Sales”

Ini contoh nyata menggabungkan keempatnya sekaligus, khas laporan bisnis:

query = """
SELECT
    cabang,
    sales,
    bulan,
    omzet,
    RANK() OVER (PARTITION BY bulan ORDER BY omzet DESC) AS ranking_bulan_ini,
    ROW_NUMBER() OVER (PARTITION BY sales ORDER BY bulan) AS urutan_transaksi,
    LAG(omzet) OVER (PARTITION BY sales ORDER BY bulan) AS omzet_lalu,
    LEAD(omzet) OVER (PARTITION BY sales ORDER BY bulan) AS omzet_depan
FROM penjualan
ORDER BY bulan, ranking_bulan_ini;
"""

pd.read_sql(query, conn)

query = """
SELECT
    cabang, sales, bulan, omzet,
    RANK() OVER (PARTITION BY bulan ORDER BY omzet DESC) AS ranking_bulan_ini,
    ROW_NUMBER() OVER (PARTITION BY sales ORDER BY bulan) AS urutan_transaksi,
    LAG(omzet) OVER (PARTITION BY sales ORDER BY bulan) AS omzet_lalu,
    LEAD(omzet) OVER (PARTITION BY sales ORDER BY bulan) AS omzet_depan
FROM penjualan
ORDER BY bulan, ranking_bulan_ini;
"""
pd.read_sql(query, conn)

ini untuk hasil codenya jika sudah di salin :

9. Cheat Sheet — Simpan buat Contekan

🔑 Rumus Sakti:
FUNGSI() OVER (PARTITION BY ... ORDER BY ...)
                    ↑                ↑
              "per kelompok"   "urutan dalam kelompok"

10. Latihan Mandiri (Coba Sendiri!)

Pakai dataset penjualan di atas, coba jawab pertanyaan ini dengan window function:

1. 🥇 Siapa sales dengan omzet tertinggi di tiap bulan (pakai RANK())?
2. 📈 Cabang mana yang omzetnya naik dari Januari ke Februari (pakai LAG())?
3. 🎯 Ambil hanya transaksi pertama tiap sales (pakai ROW_NUMBER() = 1 di subquery/CTE).

WITH ranked AS (
    SELECT *,
        ROW_NUMBER() OVER (PARTITION BY sales ORDER BY bulan) AS rn
    FROM penjualan
)
SELECT * FROM ranked WHERE rn = 1;

</details>

11. Mengapa Harus Latihan Pakai Google Colab atau VSCode?

Banyak yang belajar SQL cuma modal baca teori atau nonton video — padahal window function itu jenis materi yang baru “klik” di kepala kalau dicoba langsung. Berikut alasan mengapa dua tools ini jadi pilihan terbaik buat latihan:

💡 Kesimpulan singkat: Mengapa harus praktik, bukan cuma baca? Karena window function penuh dengan detail kecil (urutan PARTITION BY vs ORDER BY, efek RANK vs DENSE_RANK, dll) yang jauh lebih cepat dipahami lewat trial-and-error langsung, dibanding hanya membayangkan hasilnya di kepala.

12. Cara Menjalankan di Google Colab vs VSCode

✅ Tips: Kalau mau pakai database sungguhan (PostgreSQL/MySQL), tinggal ganti sqlite3.connect(":memory:") dengan koneksi library seperti psycopg2 atau mysql-connector-python — syntax window function-nya hampir sama persis.

Penutup

Window function adalah salah satu skill SQL yang paling sering dites di interview data analyst/data scientist — karena satu query bisa menggantikan puluhan baris kode Python untuk hal seperti ranking, growth rate, atau moving comparison.

Ingat urutan belajarnya: PARTITION BY (kelompokkan) → ORDER BY (urutkan) → pilih fungsi (ROW_NUMBER/RANK/LAG/LEAD) sesuai kebutuhan.

Selamat mencoba, semoga query-mu makin smooth seperti window function-nya! 🪟✨

Ditulis dengan contoh dataset fiktif untuk keperluan pembelajaran. Semua kode teruji dan siap dijalankan langsung di Google Colab maupun VSCode.

Penulis

Junior Alfredo Benerd Setiawan