Banyak orang yang sudah bisa mengolah data, membuat grafik, dan menjalankan kode Python dengan lancar, tapi di satu titik mereka tetap bingung: “Setelah ini aku harus ngomong apa?”

Ini masalah yang lebih umum dari yang terlihat. Kemampuan teknis dan kemampuan mengkomunikasikan hasil itu adalah dua hal yang berbeda. Kamu bisa punya grafik yang bagus, tapi kalau tidak tahu cara menjelaskan maknanya dalam bahasa yang dimengerti orang lain, grafik itu tidak akan menghasilkan keputusan apapun.

Di artikel ini kita akan belajar cara mengubah angka dan grafik hasil EDA menjadi kalimat insight yang bermakna dan relevan untuk konteks bisnis.

Apa Itu Insight dan Kenapa Penting?

Insight bukan sekadar deskripsi angka. Kalau kamu menulis “Kelas 1 punya 136 penumpang yang selamat”, itu bukan insight, itu hanya fakta.

Insight adalah fakta yang sudah diberi konteks dan makna. Sesuatu yang membuat pembaca berpikir “Oh, jadi begitu” atau “Ini perlu ditindaklanjuti”.

Perbedaannya terletak pada satu pertanyaan sederhana: “Lalu kenapa ini penting?”

Struktur Insight yang Baik

Sebuah insight yang baik biasanya terdiri dari tiga bagian:

Contohnya seperti ini:

Buruk: “136 penumpang kelas 1 selamat, lebih banyak dari kelas 2 dan kelas 3.”

Baik: “Penumpang kelas 1 memiliki tingkat keselamatan tertinggi dibanding kelas lainnya. Ini mengindikasikan adanya perbedaan akses terhadap sekoci penyelamat berdasarkan kelas tiket, sebuah faktor yang perlu dipertimbangkan dalam kebijakan keselamatan kapal ke depannya.”

Lihat bedanya? Yang kedua tidak hanya menyebut angka, tapi langsung menjelaskan apa artinya dan mengapa itu relevan.

Langkah 1 — Mulai dari Pertanyaan, Bukan dari Data

Kesalahan yang sering terjadi adalah membuka data lalu mencari insight di dalamnya secara acak. Pendekatan ini tidak efisien dan sering menghasilkan temuan yang tidak relevan.

Cara yang lebih baik adalah memulai dengan pertanyaan bisnis yang jelas, lalu mencari jawabannya di data.

Contoh pertanyaan bisnis yang bisa dijawab dari data Titanic:

• Faktor apa yang paling mempengaruhi tingkat keselamatan penumpang?
• Apakah ada perbedaan signifikan antara penumpang pria dan wanita dalam hal keselamatan?
• Bagaimana kelas tiket berhubungan dengan peluang selamat?

Dengan pertanyaan yang jelas, kamu tahu harus mencari apa dan insight yang dihasilkan akan lebih terarah.

Langkah 2 — Baca Grafik dengan Benar

Sebelum bisa menulis insight, kamu harus bisa membaca grafik dengan benar. Ada tiga hal yang perlu diperhatikan setiap kali melihat sebuah grafik:

Coba praktikkan dengan bar chart Titanic yang sudah kita buat sebelumnya. Dari grafik tersebut, tiga hal yang langsung terlihat adalah:

• Kelas 1 punya jumlah selamat tertinggi (136 orang)
• Kelas 2 punya jumlah selamat paling rendah (87 orang)
• Selisih antara kelas 1 dan kelas 2 cukup besar dibanding selisih kelas 1 dan kelas 3

Langkah 3 — Ubah Pengamatan Menjadi Insight

Setelah membaca grafik, langkah berikutnya adalah mengubah pengamatan tadi menjadi kalimat insight yang bermakna.

Gunakan template sederhana ini sebagai panduan:

Template: “[Kelompok/kategori] menunjukkan [kondisi/tren], yang mengindikasikan [makna/implikasi].”

Contoh penerapannya:

Pengamatan → “Kelas 2 punya jumlah selamat paling rendah”

Insight → “Meskipun kelas 2 berada di posisi menengah dalam hierarki tiket, penumpangnya justru memiliki jumlah keselamatan paling rendah di antara ketiga kelas. Ini menarik untuk diteliti lebih lanjut, apakah faktor lokasi kabin atau akses ke titik evakuasi berkontribusi pada pola ini.”

Langkah 4 — Hindari Kesalahan Umum Saat Menulis Insight

Ada beberapa kebiasaan yang membuat insight terasa lemah dan tidak meyakinkan:

Hanya menyebut angka tanpa makna Hindari: “Jumlah penumpang yang selamat adalah 342 orang dari total 891.” Lebih baik: “Hanya sekitar 38% penumpang yang berhasil selamat, angka yang jauh lebih rendah dari yang diharapkan mengingat kapasitas sekoci yang tersedia.”

Terlalu umum Hindari: “Data menunjukkan perbedaan antar kelas.” Lebih baik: “Penumpang kelas 1 memiliki peluang selamat hampir dua kali lipat dibanding penumpang kelas 2.”

Tidak ada kesimpulan atau arah tindak lanjut Insight yang baik selalu membuka pintu untuk pertanyaan berikutnya atau memberikan arah yang jelas bagi pembuat keputusan.

Langkah 5 — Praktik: Tulis Insight dari Data Titanic

Sekarang saatnya praktik langsung. Buka Jupyter Notebook dan jalankan kode berikut untuk melihat data yang akan kita jadikan bahan menulis insight:

python

import pandas as pd

df = pd.read_csv('C:/Users/acer/Downloads/titanic/train.csv')

print("Tingkat keselamatan berdasarkan jenis kelamin:")
print(df.groupby('Sex')['Survived'].mean().round(2))

print("\nTingkat keselamatan berdasarkan kelas tiket:")
print(df.groupby('Pclass')['Survived'].mean().round(2))

Dari output ini, coba tulis insight sendiri menggunakan template yang sudah dipelajari tadi. Perhatikan angka-angkanya dan tanyakan pada diri sendiri: “Apa yang menarik dari angka ini? Kenapa ini penting?”

Contoh Insight Lengkap dari Data Titanic

Berikut contoh bagaimana insight ditulis secara profesional berdasarkan data yang sama:

Insight 1: Penumpang perempuan memiliki tingkat keselamatan yang jauh lebih tinggi dibanding penumpang laki-laki. Ini konsisten dengan kebijakan “perempuan dan anak-anak lebih dulu” yang diterapkan saat evakuasi, dan menunjukkan bahwa faktor gender memiliki pengaruh signifikan terhadap peluang keselamatan di atas kapal.

Insight 2: Penumpang kelas 1 memiliki peluang selamat tertinggi di antara semua kelas. Perbedaan ini kemungkinan berkaitan dengan lokasi kabin kelas 1 yang lebih dekat dengan dek utama dan sekoci, serta kemungkinan akses prioritas saat evakuasi berlangsung.

Insight 3: Meski secara jumlah absolut kelas 3 memiliki penumpang terbanyak, tingkat keselamatan mereka adalah yang paling rendah. Ini mengindikasikan adanya ketimpangan akses evakuasi yang perlu menjadi perhatian dalam standar keselamatan kapal modern.

Kesimpulan

Menulis insight bukan soal seberapa canggih kode yang kamu tulis atau seberapa banyak grafik yang kamu buat. Ini soal kemampuan menghubungkan angka dengan konteks, dan menyampaikannya dalam bahasa yang bisa dimengerti dan digunakan oleh orang lain untuk mengambil keputusan.

Skill ini yang membedakan seorang data analyst biasa dengan yang benar-benar memberikan nilai bagi perusahaan. Dan seperti skill lainnya, semakin sering dilatih, semakin tajam hasilnya.