SQL: Bahasa Universal yang Menolak Mati di Era AI.

January 19, 2026
oleh Edusoft Center

Pendahuluan

Di era di mana kecerdasan buatan (AI) dan big data menjadi sorotan utama, seringkali muncul pertanyaan: apakah keterampilan dasar seperti SQL masih relevan? Jawabannya adalah ya, bahkan lebih relevan dari sebelumnya. AI membutuhkan data berkualitas tinggi untuk belajar dan mengambil keputusan, dan data tersebut sebagian besar disimpan serta diakses menggunakan SQL. Artikel ini akan membuktikan bagaimana SQL bukan hanya bertahan, tetapi juga menjadi tulang punggung yang krusial, bahkan di tengah gelombang automasi dan AI.

Kita akan menyelami dunia SQL, mulai dari dasar pembuatan database hingga query kompleks untuk analisis, dan kemudian melihat bagaimana Python menjadi mitra ideal untuk mengambil data dari SQL dan mengubahnya menjadi visualisasi yang informatif.

Tujuan Pembelajaran

Setelah membaca dan mengikuti panduan ini, Anda diharapkan mampu:

Memahami konsep dasar database relasional dan entitas tabel.
Membuat database dan tabel menggunakan perintah SQL.
Mengisi dan memanipulasi data dalam tabel.
Menulis query SQL untuk mengambil dan menganalisis data secara efektif.
Menghubungkan database MySQL dengan Python.
Melakukan visualisasi data dasar menggunakan Python (Matplotlib/Seaborn).
Menganalisis hasil visualisasi untuk mendapatkan insight.

Tools dan Teknologi yang Digunakan

Untuk mengikuti panduan ini, Anda memerlukan:

XAMPP: Paket server lokal yang mencakup Apache (web server), MySQL (database server), dan phpMyAdmin (antarmuka web untuk mengelola MySQL).
phpMyAdmin: Antarmuka berbasis web untuk mengelola database MySQL/MariaDB yang terinstal bersama XAMPP.
Python: Bahasa pemrograman serbaguna yang akan digunakan untuk berinteraksi dengan database dan membuat visualisasi.
Library Python:
- mysql-connector-python: Untuk menghubungkan Python ke MySQL.
- pandas: Untuk manipulasi dan analisis data.
- matplotlib dan seaborn: Untuk visualisasi data.

1. Membuat Database

Langkah pertama adalah membuat “wadah” untuk semua data kita. Kita akan menggunakan phpMyAdmin yang terinstal bersama XAMPP.

Pastikan modul Apache dan MySQL di XAMPP Control Panel Anda berstatus Running (warna hijau).
Buka browser Anda dan ketikkan localhost/phpmyadmin.
Di panel kiri, klik New.
Masukkan nama database Anda, misalnya belajar_sql_ai.
Pilih collation utf8mb4_general_ci (untuk dukungan karakter yang lebih luas, termasuk emoji jika diperlukan di masa depan).
Klik Create.

SQL Command (untuk membuat di konsol SQL/tab SQL di phpMyAdmin):

SQL
CREATE DATABASE IF NOT EXISTS belajar_sql_ai
CHARACTER SET utf8mb4
COLLATE utf8mb4_general_ci;

USE belajar_sql_ai;

2. Membuat Tabel

Setelah database dibuat, kita akan membuat beberapa tabel yang merepresentasikan data dari berbagai skenario (presensi, transaksi, pengguna, aktivitas, nilai). Ini akan memberikan kita data yang cukup beragam untuk dianalisis.

2.1 Tabel Presensi

Tabel ini akan mencatat kehadiran harian siswa atau karyawan.

Kolom	Tipe Data	Keterangan
`id_presensi`	`INT`	Primary Key, Auto Increment
`id_user`	`INT`	Foreign Key ke `tabel_users`
`tanggal`	`DATE`	Tanggal presensi
`waktu_masuk`	`TIME`	Waktu masuk
`status`	`VARCHAR(20)`	Hadir, Sakit, Izin, Alpha

SQL Command:

SQL

CREATE TABLE presensi (
    id_presensi INT AUTO_INCREMENT PRIMARY KEY,
    id_user INT NOT NULL,
    tanggal DATE NOT NULL,
    waktu_masuk TIME NOT NULL,
    status VARCHAR(20) NOT NULL
);

2.2 Tabel Transaksi

Tabel ini akan mencatat riwayat transaksi atau penjualan.

Kolom	Tipe Data	Keterangan
`id_transaksi`	`INT`	Primary Key, Auto Increment
`id_user`	`INT`	Foreign Key ke `tabel_users`
`tanggal_transaksi`	`DATE`	Tanggal transaksi
`total_harga`	`DECIMAL(10,2)`	Total harga transaksi
`metode_bayar`	`VARCHAR(50)`	Cash, Debit, Credit, E-wallet

SQL Command:

SQL

CREATE TABLE transaksi (
    id_transaksi INT AUTO_INCREMENT PRIMARY KEY,
    id_user INT NOT NULL,
    tanggal_transaksi DATE NOT NULL,
    total_harga DECIMAL(10,2) NOT NULL,
    metode_bayar VARCHAR(50) NOT NULL
);

2.3 Tabel Users

Tabel ini akan menyimpan informasi dasar pengguna (siswa/karyawan/pelanggan).

Kolom	Tipe Data	Keterangan
`id_user`	`INT`	Primary Key, Auto Increment
`nama`	`VARCHAR(100)`	Nama lengkap pengguna
`email`	`VARCHAR(100)`	Alamat email (unique)
`jabatan`	`VARCHAR(50)`	Jabatan atau peran
`tanggal_daftar`	`DATE`	Tanggal pengguna terdaftar

SQL Command:

SQL
CREATE TABLE users (
    id_user INT AUTO_INCREMENT PRIMARY KEY,
    nama VARCHAR(100) NOT NULL,
    email VARCHAR(100) UNIQUE NOT NULL,
    jabatan VARCHAR(50) NOT NULL,
    tanggal_daftar DATE NOT NULL
);
Untuk menghubungkan tabel lain dengan users, kita akan menambahkan Foreign Key setelah semua tabel dasar dibuat.

2.4 Tabel Aktivitas

Tabel ini akan mencatat aktivitas pengguna.

Kolom	Tipe Data	Keterangan
`id_aktivitas`	`INT`	Primary Key, Auto Increment
`id_user`	`INT`	Foreign Key ke `tabel_users`
`jenis_aktivitas`	`VARCHAR(100)`	Login, Logout, Mengakses Modul X, dll.
`waktu_aktivitas`	`DATETIME`	Waktu aktivitas terjadi

SQL Command:

SQL

CREATE TABLE aktivitas (
    id_aktivitas INT AUTO_INCREMENT PRIMARY KEY,
    id_user INT NOT NULL,
    jenis_aktivitas VARCHAR(100) NOT NULL,
    waktu_aktivitas DATETIME NOT NULL
);

2.5 Tabel Nilai

Tabel ini akan menyimpan nilai hasil ujian atau evaluasi.

Kolom	Tipe Data	Keterangan
`id_nilai`	`INT`	Primary Key, Auto Increment
`id_user`	`INT`	Foreign Key ke `tabel_users`
`mata_pelajaran`	`VARCHAR(100)`	Nama mata pelajaran atau modul
`nilai`	`DECIMAL(5,2)`	Nilai yang didapat (contoh: 85.50)
`tanggal_ujian`	`DATE`	Tanggal ujian atau evaluasi

SQL Command:

SQL

CREATE TABLE nilai (
    id_nilai INT AUTO_INCREMENT PRIMARY KEY,
    id_user INT NOT NULL,
    mata_pelajaran VARCHAR(100) NOT NULL,
    nilai DECIMAL(5,2) NOT NULL,
    tanggal_ujian DATE NOT NULL
);

3. Mengisi Data ke Tabel

Setelah semua tabel dibuat, langkah selanjutnya adalah mengisi data. Kita akan mengisi beberapa baris data secara manual untuk setiap tabel.

Tips: Di phpMyAdmin, Anda bisa masuk ke tabel, lalu klik tab Insert untuk mengisi data secara GUI. Atau, gunakan perintah INSERT INTO seperti di bawah.

3.1 Data Users

Kita mulai dengan tabel users karena tabel lain memiliki Foreign Key ke id_user.

SQL Command:

SQL

INSERT INTO users (nama, email, jabatan, tanggal_daftar) VALUES
('Andi Wijaya', 'andi.w@example.com', 'Manager', '2023-01-15'),
('Budi Santoso', 'budi.s@example.com', 'Staff', '2023-02-20'),
('Citra Lestari', 'citra.l@example.com', 'Staff', '2023-03-10'),
('Dina Amelia', 'dina.a@example.com', 'Supervisor', '2023-04-01');

3.2 Data Presensi

SQL Command:

SQL

INSERT INTO presensi (id_user, tanggal, waktu_masuk, status) VALUES
(1, '2023-11-01', '08:00:00', 'Hadir'),
(2, '2023-11-01', '08:15:00', 'Hadir'),
(3, '2023-11-01', '08:05:00', 'Izin'),
(4, '2023-11-01', '08:00:00', 'Hadir'),
(1, '2023-11-02', '07:55:00', 'Hadir'),
(2, '2023-11-02', '08:00:00', 'Hadir'),
(3, '2023-11-02', '08:10:00', 'Hadir'),
(4, '2023-11-02', '08:05:00', 'Sakit');

3.3 Data Transaksi

SQL Command:

SQL

INSERT INTO transaksi (id_user, tanggal_transaksi, total_harga, metode_bayar) VALUES
(1, '2023-10-25', 150000.00, 'Debit'),
(2, '2023-10-26', 75000.00, 'Cash'),
(1, '2023-11-01', 250000.00, 'Credit'),
(3, '2023-11-01', 50000.00, 'E-wallet'),
(2, '2023-11-02', 120000.00, 'Debit');

3.4 Data Aktivitas

SQL Command:

SQL

INSERT INTO aktivitas (id_user, jenis_aktivitas, waktu_aktivitas) VALUES
(1, 'Login', '2023-11-01 07:59:00'),
(2, 'Login', '2023-11-01 08:14:00'),
(1, 'Mengakses Modul Laporan', '2023-11-01 09:30:00'),
(4, 'Login', '2023-11-01 07:58:00'),
(1, 'Logout', '2023-11-01 17:00:00');

3.5 Data Nilai

SQL Command:

SQL

INSERT INTO nilai (id_user, mata_pelajaran, nilai, tanggal_ujian) VALUES
(1, 'Matematika', 85.50, '2023-10-10'),
(2, 'Matematika', 78.00, '2023-10-10'),
(3, 'Fisika', 92.25, '2023-10-15'),
(4, 'Kimia', 70.00, '2023-10-20'),
(1, 'Bahasa Inggris', 90.00, '2023-11-01');

4. Query SQL untuk Analisis Data

Ini adalah inti dari kekuatan SQL. Kita akan menulis beberapa query untuk mendapatkan insight dari data yang telah kita masukkan.

4.1 Menghitung Kehadiran Harian

Kita ingin tahu berapa banyak user yang Hadir setiap hari.

SQL Command:

SQL
SELECT
    tanggal,
    COUNT(id_presensi) AS jumlah_hadir
FROM
    presensi
WHERE
    status = 'Hadir'
GROUP BY
    tanggal
ORDER BY
    tanggal;
Penjelasan:

COUNT(id_presensi) menghitung jumlah baris.

WHERE status = 'Hadir' menyaring hanya yang berstatus Hadir.

GROUP BY tanggal mengelompokkan hasil berdasarkan tanggal.

4.2 Total Penjualan per Bulan

Kita ingin melihat total penjualan untuk setiap bulan.

SQL Command:

SQL
SELECT
    DATE_FORMAT(tanggal_transaksi, '%Y-%m') AS bulan,
    SUM(total_harga) AS total_penjualan
FROM
    transaksi
GROUP BY
    bulan
ORDER BY
    bulan;
Penjelasan:

DATE_FORMAT() digunakan untuk mengekstrak tahun dan bulan dari tanggal.

SUM(total_harga) menjumlahkan total harga.

GROUP BY bulan mengelompokkan hasil per bulan.

4.3 Jumlah Aktivitas per User (JOIN)

Kita ingin melihat berapa banyak aktivitas yang dilakukan setiap user, dan siapa nama user-nya. Ini memerlukan penggabungan (JOIN) dua tabel: users dan aktivitas.

SQL Command:

SQL
SELECT
    u.nama,
    COUNT(a.id_aktivitas) AS jumlah_aktivitas
FROM
    users u
JOIN
    aktivitas a ON u.id_user = a.id_user
GROUP BY
    u.nama
ORDER BY
    jumlah_aktivitas DESC;
Penjelasan:

users u dan aktivitas a adalah alias untuk mempersingkat penulisan nama tabel.

JOIN ... ON menggabungkan dua tabel berdasarkan kolom yang memiliki hubungan (id_user).

COUNT(a.id_aktivitas) menghitung aktivitas untuk setiap user.

4.4 Kategori Nilai (CASE WHEN)

Kita ingin mengelompokkan nilai menjadi kategori (misalnya: ‘Sangat Baik’, ‘Baik’, ‘Cukup’, ‘Kurang’).

SQL Command:

SQL
SELECT
    u.nama,
    n.mata_pelajaran,
    n.nilai,
    CASE
        WHEN n.nilai >= 90 THEN 'Sangat Baik'
        WHEN n.nilai >= 75 THEN 'Baik'
        WHEN n.nilai >= 60 THEN 'Cukup'
        ELSE 'Kurang'
    END AS kategori_nilai
FROM
    nilai n
JOIN
    users u ON n.id_user = u.id_user
ORDER BY
    n.nilai DESC;
Penjelasan:

CASE WHEN ... THEN ... ELSE ... END adalah statement kondisional untuk membuat kategori baru berdasarkan kondisi nilai. Ini sangat kuat untuk segmentasi data.

5. Menghubungkan MySQL dengan Python

Sekarang kita akan mengambil data yang sudah kita olah dengan SQL menggunakan Python.

Persiapan Lingkungan Python:

Pastikan Python terinstal.
Instal library yang diperlukan (jika belum):Bashpip install mysql-connector-python pandas matplotlib seaborn

Kode Python untuk Koneksi dan Pengambilan Data:

Simpan kode ini sebagai data_extractor.py atau sejenisnya.

Python

import mysql.connector
import pandas as pd

# Fungsi untuk koneksi ke database
def get_db_connection():
    try:
        conn = mysql.connector.connect(
            host="localhost",
            user="root",
            password="",
            database="belajar_sql_ai"
        )
        return conn
    except mysql.connector.Error as err:
        print(f"Error: {err}")
        return None

# Fungsi untuk mengambil data menggunakan SQL query
def fetch_data(query):
    conn = get_db_connection()
    if conn:
        df = pd.read_sql(query, conn)
        conn.close()
        return df
    return pd.DataFrame() # Mengembalikan DataFrame kosong jika koneksi gagal

print("Koneksi database siap.")

6. Visualisasi Data dengan Python

Dengan data yang sudah diambil oleh Python, kini saatnya mengubahnya menjadi grafik yang mudah dipahami. Kita akan menggunakan matplotlib dan seaborn.

Buat file Python baru, misalnya visualizer.py, dan impor data_extractor.py di dalamnya.

Python

import matplotlib.pyplot as plt
import seaborn as sns
from data_extractor import fetch_data # Mengimpor fungsi fetch_data dari file sebelumnya

sns.set_style("whitegrid") # Mengatur tema visualisasi

# -----------------------------------------------------
# 6.1 Visualisasi Kehadiran Harian
print("\n--- Visualisasi Kehadiran Harian ---")
query_presensi = """
    SELECT
        tanggal,
        COUNT(id_presensi) AS jumlah_hadir
    FROM
        presensi
    WHERE
        status = 'Hadir'
    GROUP BY
        tanggal
    ORDER BY
        tanggal;
"""
df_presensi = fetch_data(query_presensi)

if not df_presensi.empty:
    plt.figure(figsize=(10, 6))
    sns.barplot(x='tanggal', y='jumlah_hadir', data=df_presensi, palette='viridis')
    plt.title('Jumlah Kehadiran Harian')
    plt.xlabel('Tanggal')
    plt.ylabel('Jumlah Hadir')
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()
else:
    print("Tidak ada data presensi untuk divisualisasikan.")

# -----------------------------------------------------
# 6.2 Visualisasi Total Penjualan per Bulan
print("\n--- Visualisasi Total Penjualan per Bulan ---")
query_transaksi = """
    SELECT
        DATE_FORMAT(tanggal_transaksi, '%Y-%m') AS bulan,
        SUM(total_harga) AS total_penjualan
    FROM
        transaksi
    GROUP BY
        bulan
    ORDER BY
        bulan;
"""
df_transaksi = fetch_data(query_transaksi)

if not df_transaksi.empty:
    plt.figure(figsize=(10, 6))
    sns.lineplot(x='bulan', y='total_penjualan', data=df_transaksi, marker='o', color='red')
    plt.title('Total Penjualan per Bulan')
    plt.xlabel('Bulan')
    plt.ylabel('Total Penjualan (Rp)')
    plt.tight_layout()
    plt.show()
else:
    print("Tidak ada data transaksi untuk divisualisasikan.")

# -----------------------------------------------------
# 6.3 Visualisasi Aktivitas User
print("\n--- Visualisasi Aktivitas User ---")
query_aktivitas = """
    SELECT
        u.nama,
        COUNT(a.id_aktivitas) AS jumlah_aktivitas
    FROM
        users u
    JOIN
        aktivitas a ON u.id_user = a.id_user
    GROUP BY
        u.nama
    ORDER BY
        jumlah_aktivitas DESC;
"""
df_aktivitas = fetch_data(query_aktivitas)

if not df_aktivitas.empty:
    plt.figure(figsize=(10, 6))
    sns.barplot(x='nama', y='jumlah_aktivitas', data=df_aktivitas, palette='coolwarm')
    plt.title('Jumlah Aktivitas per User')
    plt.xlabel('Nama User')
    plt.ylabel('Jumlah Aktivitas')
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()
else:
    print("Tidak ada data aktivitas untuk divisualisasikan.")

# -----------------------------------------------------
# 6.4 Visualisasi Distribusi Nilai
print("\n--- Visualisasi Distribusi Nilai ---")
query_nilai = """
    SELECT
        n.nilai
    FROM
        nilai n;
"""
df_nilai = fetch_data(query_nilai)

if not df_nilai.empty:
    plt.figure(figsize=(10, 6))
    sns.histplot(df_nilai['nilai'], bins=5, kde=True, color='purple')
    plt.title('Distribusi Nilai Siswa/Pengguna')
    plt.xlabel('Nilai')
    plt.ylabel('Frekuensi')
    plt.tight_layout()
    plt.show()
else:
    print("Tidak ada data nilai untuk divisualisasikan.")

7. Analisis Hasil Visualisasi

Di bagian ini, kita akan membahas apa yang bisa kita pelajari dari setiap grafik yang dihasilkan.

7.1 Visualisasi Kehadiran Siswa

Contoh Analisis: “Dari grafik kehadiran harian, kita dapat melihat bahwa pada tanggal 1 November, jumlah kehadiran lebih banyak dibandingkan tanggal 2 November. Ini bisa menjadi indikator awal untuk mencari tahu apakah ada faktor eksternal (misalnya, cuaca buruk, hari libur lokal) yang memengaruhi kehadiran pada tanggal tertentu. Dengan data yang lebih banyak, kita bisa melihat tren kehadiran mingguan atau bulanan.”

7.2 Visualisasi Total Penjualan per Bulan

Contoh Analisis: “Grafik penjualan menunjukkan bahwa bulan Oktober memiliki total penjualan yang lebih rendah dibandingkan November. Ini bisa menandakan peningkatan aktivitas penjualan di bulan November, mungkin karena promosi khusus, musim belanja, atau pertumbuhan alami. Tren seperti ini sangat penting untuk perencanaan strategi pemasaran.”

7.3 Visualisasi Aktivitas User

Contoh Analisis: “Visualisasi aktivitas user dengan jelas menunjukkan bahwa ‘Andi Wijaya’ memiliki jumlah aktivitas tertinggi. Ini bisa berarti Andi adalah pengguna yang paling aktif atau memiliki peran yang mengharuskan interaksi intensif dengan sistem. Sebaliknya, user dengan aktivitas rendah mungkin memerlukan perhatian lebih atau ada kendala dalam penggunaan sistem mereka.”

7.4 Visualisasi Distribusi Nilai

Contoh Analisis: “Histogram distribusi nilai memberikan gambaran umum tentang performa. Mayoritas nilai berada di rentang [angka_tertinggi] dan [angka_terendah]. Adanya beberapa nilai di ujung bawah atau atas bisa menunjukkan perlunya intervensi (misalnya, bimbingan tambahan) atau pengakuan atas performa yang sangat baik. Visualisasi ini membantu mengidentifikasi tren umum dan anomali.”

Kesimpulan

Melalui perjalanan ini, kita telah melihat bagaimana SQL tetap menjadi fondasi yang kokoh dalam manajemen data. Ia menyediakan struktur dan logika yang tak tergantikan untuk menyimpan dan mengambil informasi. Bahkan di era AI, di mana algoritma cerdas membutuhkan data, SQL adalah penjaga gerbang utamanya.

Selanjutnya, kita memanfaatkan Python sebagai “otak” untuk mengautomasi interaksi dengan SQL dan mengubah kumpulan angka serta teks menjadi visualisasi yang bercerita. Kombinasi SQL dan Python ini membentuk alur kerja yang kuat untuk analisis data, pengambilan keputusan berbasis bukti, dan bahkan sebagai dasar untuk pengembangan model AI.

SQL bukanlah bahasa yang mati; ia adalah bahasa universal yang terus berevolusi dan relevan, menjadi kunci untuk membuka potensi penuh data di tangan manusia dan mesin cerdas.

Penutup

Semoga panduan ini memberikan pemahaman yang jelas dan motivasi untuk terus mendalami SQL dan Python. Dunia data sangat luas, dan dua alat ini adalah modal berharga Anda untuk menjelajahinya.