8 Skill ChatGPT untuk Data Analysis

Skill ChatGPT untuk Data Analysis yang paling direkomendasikan adalah Data Profiling, Pandas Analysis, SQL Analytics, Exploratory Data Analysis (EDA), Data Visualization, Dashboard Builder, Data Quality Validator, dan Insight Reporting. Kedelapan skill ini bisa dikombinasikan untuk membantu proses analisis data, mulai dari membersihkan dataset, menjalankan query SQL, membuat visualisasi, hingga menyusun laporan berbasis data.

Dengan dukungan Python dan fitur Data Analysis di ChatGPT, kamu bisa mengolah file CSV, Excel, maupun JSON tanpa harus mengerjakan seluruh proses analisis secara manual. Supaya hasilnya lebih konsisten, setiap tahap analisis dapat diatur melalui instruksi atau custom skill sesuai kebutuhan.

Mengapa Menggunakan Skill ChatGPT untuk Data Analysis?

Data Analysis bukan sekadar membuat grafik atau menghitung angka. Ada beberapa tahapan yang perlu dilakukan sebelum sebuah dataset bisa menghasilkan informasi yang bermanfaat.

Misalnya, sebelum menganalisis penjualan, kamu perlu memastikan tidak ada data duplikat, nilai kosong yang bermasalah, atau format tanggal yang tidak konsisten. Setelah itu, barulah data bisa diolah menggunakan Pandas atau SQL dan divisualisasikan.

Di sinilah penggunaan skill ChatGPT menjadi relevan.

Melalui instruksi yang terstruktur, ChatGPT dapat diarahkan untuk melakukan pekerjaan analisis secara bertahap. Setiap skill memiliki tanggung jawab yang berbeda, sehingga prosesnya lebih mudah diperiksa dan diulang.

Sebagai referensi, fitur Data Analysis di ChatGPT mendukung eksekusi kode Python untuk mengolah data dan menghasilkan tabel maupun grafik. Sementara itu, ChatGPT Projects dapat digunakan untuk mengelompokkan dataset, instruksi, dan percakapan dalam satu ruang kerja.

8 Rekomendasi Skill ChatGPT untuk Data Analyst

Berikut delapan custom skill yang dapat kamu susun untuk membangun workflow analisis data menggunakan ChatGPT.

Nama-nama di atas merupakan rekomendasi skill yang bisa dibuat sendiri, bukan daftar skill yang seluruhnya sudah tersedia secara resmi di ChatGPT.

1. Data Profiling untuk Memahami Dataset

Sebelum melakukan analisis, langkah pertama adalah memahami kondisi data yang digunakan.

Skill data-profiling membantu mengidentifikasi struktur dataset, jumlah baris dan kolom, tipe data, nilai kosong (missing values), data duplikat, serta potensi anomali.

Dengan pemeriksaan awal tersebut, kamu bisa mengetahui masalah apa saja yang perlu diselesaikan sebelum masuk ke proses pengolahan data.

2. Pandas Analysis untuk Cleaning dan Transformasi

Pandas merupakan salah satu library Python yang digunakan untuk memanipulasi dan menganalisis data.

Skill pandas-analysis dapat diarahkan untuk mengerjakan beberapa operasi penting, seperti:

• read_csv() dan read_excel() untuk membaca dataset.

• groupby() untuk mengelompokkan data.

• merge() untuk menggabungkan dataset.

• pivot_table() untuk membuat ringkasan data.

• Manipulasi datetime untuk mengolah data berbasis tanggal.

Skill ini cocok digunakan ketika kamu berhadapan dengan dataset yang membutuhkan proses pembersihan, penggabungan, atau transformasi sebelum dianalisis.

Idealnya, setiap proses juga menghasilkan kode Python yang bisa digunakan kembali, bukan hanya tabel hasil akhir.

3. SQL Analytics untuk Mengolah Database

Jika data tersimpan dalam database, SQL menjadi bagian penting dalam workflow seorang Data Analyst.

Skill sql-analytics dapat membantu menyusun query berdasarkan kebutuhan analisis dan jenis database yang digunakan.

Beberapa kemampuan yang perlu dimasukkan antara lain JOIN, CTE, window functions, agregasi, optimasi query, serta pemeriksaan hasil penggabungan data.

Skill ini juga sebaiknya diarahkan untuk memahami perbedaan dialect SQL, seperti PostgreSQL, MySQL, SQLite, atau BigQuery.

Dengan begitu, query yang dihasilkan dapat disesuaikan dengan lingkungan database yang digunakan.

4. Exploratory Data Analysis untuk Menemukan Pola

Setelah data dibersihkan, langkah berikutnya adalah mengeksplorasi karakteristik dan pola yang terdapat dalam dataset.

Skill exploratory-data-analysis atau EDA dapat digunakan untuk melakukan statistik deskriptif, analisis distribusi, korelasi, dan identifikasi outlier.

Sebagai contoh, pada dataset penjualan, EDA dapat membantu mengidentifikasi kategori produk dengan kontribusi terbesar atau periode yang menunjukkan perubahan penjualan.

Namun, hasil korelasi tidak boleh langsung dianggap sebagai hubungan sebab-akibat. Interpretasinya tetap perlu mempertimbangkan konteks dan keterbatasan data.

5. Data Visualization untuk Membuat Grafik

Visualisasi membantu menyampaikan hasil analisis dalam bentuk yang lebih mudah dibaca.

Skill data-visualization dapat menggunakan library seperti Matplotlib, Seaborn, dan Plotly untuk menghasilkan grafik sesuai kebutuhan.

Pemilihan grafik juga perlu disesuaikan dengan jenis informasi yang ingin ditampilkan.

Grafik yang baik bukan hanya menarik secara visual, tetapi juga memiliki judul, label, satuan, dan konteks yang jelas.

Karena itu, skill visualisasi sebaiknya dijalankan setelah proses cleaning dan validasi data selesai.

6. Dashboard Builder untuk Monitoring KPI

Tidak semua analisis cukup disajikan melalui satu atau dua grafik.

Ketika kamu perlu memantau beberapa indikator sekaligus, skill dashboard-builder bisa membantu menyusun tampilan dashboard yang lebih terstruktur.

Misalnya, dashboard penjualan dapat menampilkan ringkasan KPI, tren pendapatan, performa kategori produk, serta tabel detail transaksi.

Skill ini dapat diarahkan untuk merancang dashboard menggunakan Plotly, Streamlit, atau tools Business Intelligence sesuai kebutuhan proyek.

7. Data Quality Validator untuk Memeriksa Hasil

Kesalahan dalam proses pengolahan data dapat memengaruhi hasil analisis.

Skill data-quality-validator membantu melakukan pemeriksaan terhadap data yang sudah dibersihkan atau ditransformasi.

Pemeriksaannya dapat mencakup aturan kualitas dataset, konsistensi perhitungan, hasil agregasi, serta kesesuaian dengan aturan bisnis.

Sebagai contoh, ketika dua tabel digabungkan menggunakan JOIN, skill ini dapat membantu memeriksa apakah proses tersebut menghasilkan duplikasi yang tidak diinginkan.

8. Insight Reporting untuk Menyusun Rekomendasi

Tahap terakhir adalah mengubah hasil analisis menjadi informasi yang dapat digunakan untuk mengambil keputusan.

Skill insight-reporting berfungsi menyusun temuan utama, menjelaskan pola yang ditemukan, dan merumuskan rekomendasi berdasarkan hasil pengolahan data.

Output-nya bisa berupa ringkasan eksekutif, laporan analisis, atau rekomendasi bisnis.

Dengan demikian, pekerjaan Data Analyst tidak berhenti pada tabel dan grafik, tetapi dilanjutkan dengan penjelasan tentang apa arti hasil analisis tersebut.

Workflow ChatGPT untuk Pandas, SQL, dan Visualisasi

Delapan skill tadi akan lebih bermanfaat jika digunakan dalam workflow yang terstruktur.

Alur yang direkomendasikan adalah:

1. Data Source: Menyiapkan dataset CSV, Excel, SQL, atau JSON.

2. Data Profiling & Cleaning: Memeriksa dan membersihkan data menggunakan Pandas.

3. Data Exploration & SQL: Mengolah data, menjalankan query, serta mengeksplorasi pola.

4. Data Validation: Memeriksa konsistensi dan kebenaran hasil perhitungan.

5. Visualization & Dashboard: Menampilkan hasil analisis melalui grafik atau dashboard.

6. Insights & Recommendations: Menyusun temuan utama dan rekomendasi berdasarkan data.

Urutan tersebut membantu menjaga agar proses visualisasi tidak dilakukan sebelum data diperiksa.

Selain itu, setiap tahapan dapat dievaluasi secara terpisah jika ditemukan hasil yang tidak sesuai.

Cara Membuat Skill Data Analysis di ChatGPT

Ada dua pendekatan yang dapat digunakan untuk menerapkan workflow tersebut, yaitu melalui fitur Skills atau ChatGPT Projects.

Menggunakan Fitur Skills ChatGPT

Pada workspace yang mendukung fitur Skills, pengguna dapat membuat instruksi khusus untuk pekerjaan yang dilakukan secara berulang.

Langkah yang dijelaskan dalam fitur tersebut adalah membuka menu Plugins → Skills, memilih opsi pembuatan skill, memasukkan instruksi, lalu menyimpan dan menginstalnya.

Misalnya, kamu dapat membuat skill bernama pandas-analysis yang berisi aturan untuk membaca dataset, membersihkan data, memvalidasi hasil, dan menghasilkan kode Python.

Ketersediaan fitur Skills bergantung pada jenis workspace dan akses pengguna.

Menggunakan ChatGPT Projects

Alternatif lainnya adalah menggunakan ChatGPT Projects.

Kamu bisa membuat proyek bernama Data Analyst Workspace, lalu menambahkan instruksi analisis yang akan digunakan secara berulang.

Pendekatan ini membantu mengelompokkan dataset, instruksi, dan riwayat diskusi dalam satu ruang kerja.

Sebagai contoh, kamu dapat menggunakan instruksi berikut:

Bertindak sebagai Senior Data Analyst dengan keahlian Python Pandas, SQL, statistik, dan visualisasi. Periksa struktur serta kualitas dataset, lakukan cleaning dan EDA, validasi hasil perhitungan, kemudian buat grafik yang relevan. Sajikan insight utama, rekomendasi, kode Python yang dapat dijalankan ulang, dan jelaskan keterbatasan analisis. Jangan mengarang hasil atau menganggap korelasi sebagai hubungan sebab-akibat.

Instruksi tersebut dapat menjadi dasar untuk menjalankan workflow Data Analysis secara lebih konsisten.

Plugin Tambahan untuk Analisis Data

Selain membuat custom skill, ChatGPT juga memiliki opsi plugin untuk memperluas workflow analisis data.

Salah satunya adalah Data, plugin OpenAI yang ditujukan untuk membantu analisis data bisnis, investigasi KPI, dan pembuatan dashboard melalui lingkungan yang mendukungnya.

Untuk kebutuhan database, plugin atau konektor seperti Snowflake dan Databricks juga menjadi opsi yang relevan sesuai konfigurasi dan akses yang tersedia.

Perlu diingat, plugin berbeda dari custom skill. Skill mengatur instruksi serta cara kerja, sedangkan plugin dapat menyediakan koneksi atau kemampuan tambahan melalui layanan tertentu.

Contoh Prompt Data Analysis Menggunakan ChatGPT

Setelah menyiapkan dataset, kamu bisa menggunakan prompt berikut untuk memulai analisis.

Analisis dataset yang saya unggah menggunakan Python Pandas. Mulailah dengan data profiling untuk mengidentifikasi tipe data, missing values, duplikasi, dan anomali. Lanjutkan dengan data cleaning, exploratory data analysis, serta identifikasi lima insight utama. Buat empat visualisasi yang paling relevan menggunakan Matplotlib, Seaborn, atau Plotly. Sertakan kode Python, dataset yang sudah dibersihkan, validasi hasil perhitungan, dan laporan analisis beserta rekomendasi.

Prompt tersebut menggabungkan beberapa kemampuan utama yang sudah dibahas, mulai dari profiling hingga reporting.

Hasilnya tetap perlu diperiksa, terutama pada bagian asumsi, definisi metrik, dan interpretasi data.

Frequently Asked Questions (FAQ)

1. Apakah ChatGPT Bisa Melakukan Data Analysis dengan Pandas?

Ya. ChatGPT memiliki fitur Data Analysis yang mendukung penggunaan Python untuk mengolah dataset. Dengan fitur ini, pengguna dapat menganalisis file CSV, Excel, dan JSON serta menghasilkan tabel maupun grafik.

2. Apakah Harus Menguasai SQL untuk Menggunakan ChatGPT Data Analysis?

Tidak harus. ChatGPT dapat membantu menyusun dan menjelaskan query SQL. Namun, memahami konsep dasar seperti JOIN, agregasi, dan filtering tetap penting untuk memeriksa apakah hasil query sesuai kebutuhan.

3. Apa Skill ChatGPT yang Sebaiknya Dipelajari Terlebih Dahulu?

Mulailah dari Data Profiling, Pandas Analysis, SQL Analytics, Exploratory Data Analysis, dan Data Visualization. Kelima skill tersebut mencakup tahapan utama pengolahan dan eksplorasi data sebelum berlanjut ke dashboard serta reporting.

Kesimpulan

Menggunakan skill ChatGPT untuk Data Analysis dapat membantu menyusun proses analisis yang lebih terarah, mulai dari pemeriksaan dataset hingga pembuatan visualisasi dan laporan.

Untuk memulai, fokus pada lima skill utama: Data Profiling, Pandas Analysis, SQL Analytics, Exploratory Data Analysis, dan Data Visualization. Setelah terbiasa, kamu bisa menambahkan Dashboard Builder, Data Quality Validator, dan Insight Reporting untuk mendukung analisis yang lebih lengkap.

Yang paling penting, jangan hanya mengandalkan hasil yang diberikan AI. Pahami proses pengolahan data, periksa hasil perhitungan, dan pastikan insight yang dihasilkan benar-benar didukung oleh dataset.

Kembangkan kemampuan pengolahan dan analisis data melalui Bootcamp Data Analyst dan Bootcamp Data Science di Koding Akademi. Lihat detail program dan pilih bootcamp yang sesuai dengan tujuan belajarmu.