2737-Article Text-8680-1-10-20220914

2292 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E- ISSN 2503-2933 Analisa Dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis Pada PT. Telkominfra Aditya Hari Wibowo*1, Khatin Faisah2 , Yudo Devianto 3 1,2Universitas Mercubuana; Jakarta, (021) 31934471 3Sistem Informasi, Fakultas Ilmu Komputer, Universitas Mercu Buana Jl.Meruya Selatan Kembangan, Jakarta Barat, Indonesia e-mail: *[email protected], [email protected], [email protected] Abstrak Pengelolaan data dalam proyek merupakan kegiatan penting dalam sebuah jenis usaha, karena seiring waktu semakin berkembangnya perusahaan semakin banyak dan beragam data yang dimiliki. Bisnis Telkominfra yang semakin berkembang dengan proyek-proyek yang besar dengan tingkat kompleksitas yang tinggi sehingga menyulitkan dalam melakukan proses pengolahan data. Dengan kondisi saat ini proses pengolahan data mulai dari melakukan export, melakukan filterisasi data, melakukan analisis terhadap data, serta membuat visualisasi data masih dilakukan dengan menggunakan file excel, hal ini memakan waktu yang cukup lama sehingga proses pengambilan keputusan yang dilakukan oleh manajemen menjadi kurang optimal. Tujuan penelitian ini diharapkan dapat memberikan informasi dan pengetahuan kepada user terkait secara real time sehingga bisa mempercepat proses pengambilan keputusan. Maka dari itu diperlukan data analisis menggunakan metode Exploratory Data Analysis (EDA), EDA dilakukan mulai dari pemahaman obyek bisnis dimana pendapatan/penjualan sebagai salah satu metric yang digunakan untuk melihat profil kinerja perusahaan hingga korelasi variabel lainnya terhadap target metric. Hasil penelitian ini terlihat bahwa perbandingan pendapatan setiap bulannya, perbandingan pendapatan pada masing masing produk dan komposisi realisasi pendapatan terendah sehingga bisa menjadi bahan evaluasi oleh manajemen, dan hasil EDA tersebut akan ditampilkan dalam sebuah aplikasi visualisasi data.. . Kata kunci— Exploratory data analysis, Visualisasi data, Analisis Data, Pengolahan data Abstract Data management in projects is an important activity in a type of business, because over time the company grows more and more and more data is owned. Telkominfra's business is growing with large projects with a high level of complexity making it easier to process data. With the current condition, the data processing process starting from exporting, filtering data, analyzing data, and visualizing data is still done using excel files, this takes quite a long time so that the decision-making process carried out by management is not optimal. The purpose of this research is to provide information and related users in real time so that it can speed up the decision-making process. Therefore, the data analysis required using the Exploration Data Analysis (EDA) method, EDA is carried out starting from understanding the business object where income/sales is one of the metrics used to view the company's performance profile to other correlation variables to the target metric. The results of this study show that the comparison of monthly income, the comparison of the income of each product and the realization of each income, so that it can be evaluated by management, and the results of the EDA will be displayed in a data visualization application. Received June1st,2012; Revised June25th, 2012; Ac http://jurnal.mdp.ac.id [email protected]

Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 2293 Keywords— Exploratory data analysis, Data Visualization, Analysis Data, Data Processing. 1. PENDAHULUAN Telkominfra atau PT. Infrastruktur Telekomunikasi Indonesia adalah perusahaan yang bergerak dibidang infrastruktur telekomunikasi, memiliki pengetahuan mendalam tentang teknologi, masalah manajemen jaringan, operasi telekomunikasi, manajemen dan pemeliharaan untuk klien nasional maupun multinasional. Dalam bidang bisnis apapun penggunaaan teknologi informasi dapat digunakan sebagai sarana pendukung kinerja bisnis dalam sebuah perusahaan, Telkominfra yang bergerak dibidang telekomunikasi tentu tidak asing dengan hal tersebut, misalnya penggunaan dashboard sebagai teknologi informasi untuk kebutuhan penyajian data dan informasi ke dalam bentuk visual yang menarik dan mudah untuk dimengerti [1]. Karena seiring waktu semakin berkembangnya perusahaan semakin banyak dan beragam data yang dimiliki. Salah satu data terpenting yang dimiliki perusahaan adalah data penjualan, penjualan menjadi sebuah hal yang sangat penting bagi perusahaan, sebab nilai keuntungan / kerugian yang diperoleh dari aktivitas penjualan menjadi sumber yang membentuk nilai keseluruhan perusahaan. salah satu cara memperoleh keuntungan adalah menggunakan cara melakukan penjualan, baik penjualan secara tunai maupun penjualan secara kredit [2]. Proses penjualan di Telkom Infra dilakukan mulai dari presales yang didalamnya ada dokumen kelayakan bisnis, lalu kontrak customer, delivery pekerjaan, serta pencatatan penagihan sampai pembayaran oleh customer. bisnis Telkominfra yang bergerak dibidang infrastruktur teknologi sering berkutat dengan project project besar yang memiliki Bill of Quantity (BOQ) / line item yang banyak sehingga perlu perhatian khusus untuk melakukan pengolahan data. Hal ini menyulitkan perusahaan dalam melakukan analisis terhadap data tersebut. Proses pembuatan laporan yang sesuai dengan keinginan manajemen perusahaan seringkali membutuhkan waktu yang cukup lama, hal ini dikarenakan proses pembuatan laporan harus melalui banyak tahapan baru kemudian bisa menghasilkan sebuah informasi, seperti melakukan export data dari sistem aplikasi yang sudah ada ke dalam excel, melakukan filterisasi data, melakukan pengelompokan data, melakukan analisis terhadap data, memilah informasi yang diperlukan, mengelompokkan informasi berdasarkan kebutuhan, serta membuat visualisasi dari informasi yang telah didapatkan. Selain itu pemanfaatan teknologi informasi pada bagian ini masih belum maksimal seperti belum adanya dashboard dan notifikasi membuat pihak yang terlibat sulit membuat analisis data keterhubungan antara data satu dan lainnya, selain itu pada kapabilitas masing masing memiliki keterbatasan kemampuan staff untuk mengolah raw data menjadi informasi karena proses pada pencatatan Revenue, Account Receivable (AR), dan Billing ditangani oleh unit yang berbeda. Hal ini kemudian menyebabkan proses pengolahan data tersebut memakan waktu yang cukup lama sehingga proses pengambilan keputusan yang dilakukan oleh manajemen menjadi kurang maksimal dikarenakan tidak adanya tools IT yang bisa memberikan insight untuk mengambil keputusan pada saat itu [1]. Maka dari itu diperlukan analisa dan perancangan teknologi informasi yang dapat mengatasinya, yaitu dengan membangun sebuah penelitian dengan melakukan analisa dari kebutuhan perusahaan lalu dituangkan kedalam aplikasi pengolahan data terhadap laporan penjualan yang bisa memberikan wawasan dan informasi tambahan kepada manajemen untuk membuat keputusan terkait laporan penjualan secara real time. Hal ini dilakukan untuk mengurangi atau menghilangkan potensi risiko salah mengambil keputusan terhadap strategi bisnis perusahaan. salah satu fungsi statistik yang dilakukan adalah meringkas atau melakukan Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra] Title of manuscript is short and clear, implies research results (First Author)

2294 Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 rangkuman data sehingga data tersebut menghasilkan informasi yang mudah dimengerti orang banyak [3]. Penelitian ini didorong oleh hasil penelitian yang sebelumnya pernah dilakukan. Penelitian-penilitian yang membahas analisis data dan visualisasi antara lain: Menurut penelitian sejenis yang dilakukan oleh Desi Aryanti dan Johan Setiawan, 2018 dengan judul “Visualisasi Data Penjualan dan Produksi PT Nitto Alam Indonesia” dengan metode Exploratory Data Analysis untuk mendapatkan pola penjualan dan produksi dalam kurun waktu 5 tahun terakhir dengan jumlah data penjualan dan produksi yang sangat besar yang belum pernah dilakukan analisis sama sekali [4]. Menurut R. Indrakumari, T. Poongodi dan Soumya Ranjan Jena, 2020 dengan judul penelitian “Heart Desease Prediction Using Exploratory Data Analysis” Tentang analisis data sebagai teknologi yang memiliki biaya yang rendah dan memainkan peran penting dalam perawatan kesehatan yang mencakup temuan penelitian baru, situasi darurat dan wabah penyakit dalam melakukan prediksi penyakit jantung dilakukan menggunakan algoritma clustering K-means bersama analisis data dan alat visualisasi [5]. Pada penelitian yang dilakukan oleh Natasya Ulfha Nabilla dan Syarif Hidayat, 2021. Dengan judul “Pengembangan Business Intelligence pada Sistem Informasi Distributor Studi Kasus pada Distributor Masker Kecantikan Wajah Organik”. Studi ini Melakukan analisa terhadap forecasting pada data penjualan yang dilakukan oleh distributor masker organik, membuat visualisasi dalam bentuk dasboard intelijen bisnis berdasarkan hasil forecasting dan data aktual yang ada. Penelitian ini menggunakan konsep business intelligence dengan melakukan prediksi profit jangka pendek dan jangka panjang menggunakan metode automated machine learning. [6] 2. METODE PENELITIAN Dalam penelitian ini data bersumber dari sistem informasi ERP (Enterprise Resource Planning) pada aplikasi SAP didalam modul report penjualan data yang diambil adalah data yang terdapat pada sistem informasi tersebut dalam kurun waktu 1 September 2021 sampai dengan 31 May 2022. 2. 1 Alur Penelitian Gambar 1. Kerangka Penelitian Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra]

Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 2295 Pada tahap awal mengidentifikasi masalah yang ada, hasil khusus ini memberikan latar belakang untuk perumusan masalah. Ini adalah tujuan dari penyelidikan untuk diidentifikasi. Yaitu, memahami dan merancang visualisasi data, memahami data untuk meningkatkan wawasan bisnis perusahaan. Tahap kedua adalah pengumpulan data mengenai tata cara pengumpulan data, dengan cara metode lapangan (field research) melalui wawancara dan observasi, serta metode perpustakaan (library research) yaitu mengutip beberapa bacaan yang berkaitan dengan pelaksanaan visualisasi data dan exploratory data analysis. Tahap ketiga yaitu analisa kebutuhan yaitu untuk mengetahui apa saja yang diperlukan untuk merancang sebuah dashboard visualisasi data. Konsep desain rancangan dilakukan sebelum terbentuknya aplikasi, dengan menggunakan model yang bersifat sistematis atau berurutan dalam membangun software dimulai dari analisis, desain, pengkodean, pengujian, dan tahap pendukung (support). [7] 1. Identifikasi permasalahan dan penentuan solusi Pada tahap ini penulis melakukan identifikasi masalah dan penentuan solusi, ditahap ini penulisan melakukan perumusan masalah, Batasan masalah, manfaat dan tujuan penelitian. 2. Pengumpulan data dengan Observasi, Interview dan Studi literatur. Pada tahap ini penulis melakukan wawancara kepada key person yang ada di unit Sales dan Project Control, melakukan studi literatur dari jurnal-jurnal penelitian terkait dan melakukan observasi pada data penjualan yang dimiliki PT. Telkominfra pada sistem SAP ERP. 3. Analisa proses bisnis dengan Flowchart dan identifikasi permasalahan menggunakan Fishbone. Pada tahap ini penulis menggunakan Flowchart untuk menganalisa proses bisnis yang berjalan dan identifikasi permasalahan yang dihadapi menggunakan fishbone. 4. Perancangan Perancangan aplikasi ini dilakukan dengan metode waterfall yang akan menjadi solusi yang lebih baik untuk proyek kecil yang memiliki persyaratan terdefinisi dengan baik dan minim perubahan. 5. Implementasi dan Evaluasi. Pada tahap ini dilakukan implementasi sistem, evaluasi dan pengujian aplikasi. 2.2 Teknik Pengumpulan Data 2. 1.1 Observasi Pada penelitian ini penulis melakukan observasi dari data laporan penjualan yang diambil dari SAP pada modul Sales Distribution. Data sekunder yang digunakan yaitu terkait dengan data pendapatan dari kurun waktu September 2021 hingga April 2022, dengan tersebut didapat dengan melakukan permintaan data pada PT. Telkominfra format data berupa Microsoft excel dan Json. Untuk data dalam format Json dilakukan integrasi data menggunakan protokol SAP RFC (Remote Function Call). 2. 1.2 Interview Data primer yang didapat adalah hasil dari wawancara terhadap salah satu staff revenue assurance, pengumpulan data dilakukan untuk memperoleh informasi yang dibutuhkan dalam rangka mencapai tujuan penelitian dengan menanyakan beberapa pertanyaan dengan pendekatan metode 5W1H yang dapat membantu memperlancar menemukan akar permasalahan dan solusi yang tepat untuk menyelesaikan masalah. Dalam proses penelitian dan analisis sangat penting untuk mengumpulkan data berkualitas dan lengkap, oleh karena itu penggunaan pertanyaan terbuka membutuhkan jawaban yang membangun, sehingga membantu untuk mendeskripsikan dan memberi petunjuk dari suatu permasalahan [8]. Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra] Title of manuscript is short and clear, implies research results (First Author)

2296 Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 2. 1.2 Studi Literatur Penelitian dilakukan dengan mencari studi literatur atau kepustakaan dengan mengumpulkan bahan-bahan Pustaka seperti artikel dan jurnal dari penelitian terdahulu pada kurun waktu tahun 2017 – 2021 yang dapat mendukung penelitian. 3. HASIL DAN PEMBAHASAN Proses pembuatan laporan yang sesuai dengan keinginan manajemen perusahaan seringkali membutuhkan waktu yang cukup lama. Seperti yang digambarkan pada Gambar 2 Existing Bisnis Proses, dimulai dari pembuatan internal order atau yang lebih dikenal dengan sebutan IO, yang mana pembuatan IO tersebut dilakukan oleh unit sales segment, lalu kemudian dilakukan validasi dokumen kelayakan bisnis oleh unit business solution sampai nanti akhirnya proses IO tersebut disubmit kedalam sistem informasi SAP, lalu submit kontrak customer, delivery pekerjaan, serta pencatatan penagihan sampai pembayaran oleh customer. Gambar 2. Existing Bisnis Process 3.1 Analisa Fishbone Analisis sebab-akibat digunakan untuk mengetahui penyebab suatu masalah dapat terjadi. Dengan menganalisis kondisi tertentu, sumber/ akar permasalah dapat ditemukan dan mencari solusi untuk mengatasinya [9]. Fungsi lain dari diagram Fishbone yaitu untuk analisa sebab akibat dalam mengidentifikasikan interaksi kompleks dari penyebab suatu kejadian atau masalah tertentu [9]. Gambar 3. berikut merupakan ilustrasi Fishbone Analysis yang dikembangkan untuk menemukan penyebab dari masalah “sulitnya memperoleh insight”. Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra]

Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 2297 Gambar 3. Analisa Diagram Fishbone 1. Data (Material/ Measurement) : Data yang diolah berjumlah besar karena merupakan rincian rencana anggaran belanja (RAB) dari kontrak proyek yang sudah disepakati dengan client. 2. Process: Pada proses pembuatan laporan pengolahan data dilakukan secara manual menggunakan Microsoft excel baru kemudian dikirimkan kepada stakeholdet terkait, hal tersebut membuat proses pengolahan data memakan waktu cukup lama. 3. People: Sumber daya manusia memiliki kompetensi yang berbeda beda, sehingga tidak setiap orang di divisi terkait mampu mengolah data menjadi informasi yang dibutuhkan. Adapun pemahaman dan tujuan antara unit sales dan financial control yang berbeda pemahaman sehingga menimbulkan distorsi informasi terkait project. 4. Tools (Machinery): Belum adanya dashboard yang mampu menggambarkan pendapatan perusahan day by day, sehingga manajemen sulit membuat keputusan berdasarkan data yang ada saat ini. Ditambah lagi belum adanya pengolahan data yang mampu mengidentifikasi variable apa saja yang berpengaruh / berkorelasi terhadap pendapatan perusahaan. 3.2 Usulan Bisnis Proses Gambar 4. Usulan Bisnis Proses Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra] Title of manuscript is short and clear, implies research results (First Author)

2298 Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 Keterangan gambar 4 usulan bisnis proses sesuai penomoran: 1. Submit Project : Melakukan submit project & contract ke SAP 2. Delivery Pekerjaan & Submit Revenue : Melakukan delivery order terhadap pekerjaan yang sudah diselesaikan 3. Exporting Data Revenue & Data Processing (EDA) : Proses data analisis menggunakan metode EDA dengan menggunakan bahasa pemrograman python sehingga menghasilkan output yang dibutuhkan oleh perusahaan sesuai dengan masalah yang telah dirumuskan. 4. Submit Laporan Penjualan : Data hasil EDA ditampilkan via aplikasi menjadi sebuah dashboard untuk laporan data penjualan. 5. Review Final Report : Semua pihak yang berkepentingan bisa melihat dashboard laporan data penjualan. 3.2 Exploratory Data Analysis 3.2.1 Data Understanding & Data Preparation Data yang sebelumnya sudah dipilih, selanjutnya yaitu data tersebut dilakukan pembersihan (cleansing) dari error ataupun bias yang terdapat pada data. Proses pembersihan data ini dilakukan menggunakan Python dan Pandas. Python diklaim sebagai bahasa yang menggabungkan kapabilitas, kemampuan, dengan sintaksis kode yang sangat jelas, dan dilengkapi dengan fungsionalitas pustaka standar yang besar serta komprehensif [10]. Python juga didukung oleh komunitas yang besar. Pre processing dibagi menjadi 6 tahapan yaitu: 1. Import Data: Melakukan import data report penjualan dari server data warehouse dengan cara melakukan SQL Query menggunakan python dengan dibantu library sqlalchemy dan pymysql. 2. Remove missing value: Melakukan pengecekan terhadap data yang dibutuhkan, menghilangkan kolom kolom yang tidak diperlukan, melihat data amount yang NaN atau 0 dengan menggunakan beberapa Teknik data cleansing; (replace with mean, ignore, drop) Melakukan pengecekan data yang memiliki NaN atau Null. df.isna().sum() Ada beberapa kolom yang memiliki NaN atau Null value, namun yang menjadi perhatian adalah kolom project duration, yang kemungkinan akan digunakan sebagai proses agregasi dalam analisis selanjutnya. Terdapat 296 row data NaN pada kolom project duration, lalu dilakukan drop na menggunakan script df.dropna(). df.dropna(subset=[\"project_duration\"],axis=0,inplace=True) 3. Menghapus data tidak valid Pada dataframe ada beberapa kondisi yang menyatakan bahwa data tersebut tidak valid atau tidak bisa digunakan sebagai data laporan, sehingga data tersebut perlu kita hilangkan dari dataset. Berikut kriteria data yang tidak valid antara lain: • Jika “so_item = 0” artinya data delivery order sudah dilakukan penghapusan, sehingga tidak digunakan untuk pelaporan, data tersebut hanya digunakan sebagai history transaksi data. Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra]

Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 2299 • Jika “reason_reject = Z1” artinya data delivery order memiliki status rejection, sehingga tidak digunakan untuk pelaporan, data tersebut hanya digunakan sebagai history transaksi data. Lalu digunakan fungsi loc untuk memfilter data yang tidak valid tersebut sesuai kriteria tersebut. df_new = df.loc[(df['so_item'] > 0) & (df['reason_reject'] != 'Z1'),:] 4. Memperbaiki format data Melakukan pengecekan terhadap masing masing kolom apakah ada kolom yang memiliki data tidak sesuai dengan judul kolom dan melakukan koreksi tipe data. Pengecekan format tanggal pada kolom bast_date, yang menunjukan ada data bast_date yang memiliki value ‘0000-00-00’ sehingga berpotensi menimbulkan anomaly pada saat dilakukan agregasi atau analisa lebih lanjut, sehingga perlu dilakukan replace data yang diisi dengan string kosong. Replace data ‘0000-00-00’ dengan “” df_new[\"bast_date\"].replace({'0000-00-00': \"\"}, inplace=True) df_new[\"bast_bill_date\"].replace({'0000-00-00': \"\"}, inplace=True) df_new[\"date_appr1\"].replace({'0000-00-00': \"\"}, inplace=True) df_new[\"date_appr2\"].replace({'0000-00-00': \"\"}, inplace=True) 5. Menambahkan atribut sebagai bahan analisis lebih lanjut df_new['bast_in_billion']=df_new['bast_value']*0.000000001 df_new=df_new.assign(completion = (df_new['bast_value']/ df_new['contract_amount_loc_curr'])*100) df_new['month_revenue'] = pd.to_datetime(df_new['bast_bill_date']).dt.strftime('%Y- %m') df_new['aging_sla'] = pd.to_datetime(df_new['date_appr2'])- pd.to_datetime(df_new['bast_bill_date']) 6. Melakukan konversi tipe data Konversi tipe data adalah teknik mengubah nilai yang awalnya dari tipe data a, menjadi tipe data b, ini dibutuhkan jika ada kolom yang diperlukan untuk melakukan operasi aritmatika tetapi kolom tersebut memiliki type data string sehingga data tersebut tidak bisa dilakukan operasi aritmatika. Melakukan Analisa tipe data dengan menggunakan script dtypes, lalu ditemukan ada 8 kolom yang memiliki tipe data yang tidak seharusnya, diantaranya adalah qty, bast_date, bast_bill_date, work_start, date_appr1, date_appr2, end_of_work, dan project_duration. Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra] Title of manuscript is short and clear, implies research results (First Author)

2300 Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 df_new['qty'] = df_new['qty'].astype('int64') df_new['bast_date'] = df_new['bast_date'].astype('datetime64') df_new['bast_bill_date'] = df_new['bast_bill_date'].astype('datetime64') df_new['work_start'] = df_new['work_start'].astype('datetime64') df_new['date_appr1'] = df_new['date_appr1'].astype('datetime64') df_new['date_appr2'] = df_new['date_appr2'].astype('datetime64') df_new['end_of_work'] = df_new['end_of_work'].astype('datetime64') df_new['project_duration'] = df_new['project_duration'].astype('int64') Field qty dan project duration dikonversi menjadi int sedangkan bast_date, bast_bill_date, work_start, date_appr1, date_appr2, dan end_of_work menjadi datetime. Tabel 1. Hasil Pre-processing Data No Deskripsi Hasil 1 Raw Data 45774 baris, 52 kolom 2 Pre-processing Data 11037 baris, 26 kolom Penelitian ini yang bertitik fokus mengeksplorasi data terkait dengan pendapatan/penjualan (revenue) maka data yang didapat sebelum dilakukan data cleaning merupakan data yang masih belum siap untuk dilakukan analisis, Tabel 3.1 merupakan hasil dari pre-processing menghasilkan 11037 baris, 26 kolom dari tahapan proses menghilangkan null values, merubah tipe data, pengelompokan data, memperbaiki format data hingga menambahkan atribut untuk bahan analisis lebih lanjut. 3.2.2 Data Analisis & Visualisasi Gambar 5. Distribusi Revenue Per-Product Pada Gambar 5 menerangkan bahwa dalam kurun waktu kurang lebih 10 bulan menunjukan perbandingan pendapatan dari sisi produk, bahwa produk Network Optimization menjadi penyumbang tertinggi pendapatan perusahaan, diikuti oleh produk Rectifier Battery (Recbatt) di urutan kedua hingga produk Construction menjadi penyumbang revenue terkecil. Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra]

Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 2301 Gambar 6. Monthly Revenue Pada Gambar 6 menjelaskan perbandingan pendapatan perusahaan pada setiap bulannya mulai dari periode Agustus 2021 sampai dengan Mei 2022. Digambarkan bahwa pendapatan terbesar berada dibulan Desember 2021, yang dapat disimpulkan bahwa pada akhir tahun perusahaan di upayakan untuk mengejar target closing akhir tahun 2021 sehingga data pendapatan Desember 2021 menjadi yang terbesar. Gambar 7. Lowest Contract Realization Pada Gambar 7 menjelaskan komposisi dari realisasi kontrak, data diambil dari 10 kontrak yang realisasi pendapatannya (BAST) paling rendah. Terlihat kontrak nomor 3110000010 merupakan kontrak yang memiliki nilai kontrak yang besar namun juga paling rendah dalam realisasi pendapatannya. Dengan data ini diharapkan manajemen bisa langsung melakukan evaluasi terhadap kontrak tersebut mengapa memiliki realisasi pendapatan yang terendah. Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra] Title of manuscript is short and clear, implies research results (First Author)

2302 Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 Gambar 8. Mean Time Service Level Agreement Revenue Per Product Pada Gambar 8 menjelaskan distribusi dari a mean time aging proses delivery order sampai dengan menjadi revenue berdasarkan masing-masing produk. Bisa dilihat dari gambar 4.27 menjelaskan bahwa produk On Grid merupakan produk yang rata rata proses delivery order-nya menjadi yang terlama (12 hari). Dengan Data ini diharapkan manajemen dapat melakukan evaluasi terhadap kontrak dengan produk On Grid mengapa membutuhkan waktu yang lama pada proses delivery order. 3.2.2 Hipotesis Korelasi Data Proses Analisa dengan memprediksi apa hubungannya antara data kategori dengan target. Lalu data kategori akan dilakukan Analisa keterhubungan terhadap target, dengan melakukan analisis jumlahnya dari target yang ditentukan. Hasil value counts 1 1332 0 869 Name: is_complete, dtype: int64 Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra]

Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 2303 Gambar 9. Keterhubungan Kategori dan Target Pada gambar 9 Proses prediksi keterhubungan antara kategori dan target (completion kontrak) dari 4 kategori dengan visualisasi subplot yang ditampilkan hanya 1 kategori yang memiliki keterhubungan dengan target, sehingga dapat disimpulkan proses prediksi keterhubungan masih diperlukan variabel lain yang bisa mewakili keterhubungan dengan target. 4. KESIMPULAN Hasil analisa data didapat bahwa pendapatan tertinggi didapat oleh produk Network Optimization, pendapatan tertinggi dicapai pada bulan Desember 2021 sebagai upaya perusahaan dalam mengejar target closing akhir tahun, dan realisasi pendapatan terendah dari kontrak 3110000010, sehingga ini bisa menjadi acuan untuk melakukan evaluasi kontrak. Sistem informasi yang dikembangkan dalam penelitian ini dapat melakukan pre-processing data, analisis data dengan EDA hingga menampilkan hasil visualisasi dalam bentuk grafik, sehingga dapat memberikan informasi kepada manajemen terkait kontrak mana yang perlu di evaluasi, selain itu juga memiliki benefit adanya improvement pada proses pengolahan data dari 6 jam menjadi 30 menit jika mengimplementasikan proses ini. 5. SARAN Analisis Data menjadi hal yang sangat penting dalam proses decision making, dengan adanya penelitian ini diharapkan dapat dikembangkan sampai ketahapan advance data analytic, oleh karena itu masih diperlukan data dari divisi lain sehingga memperkaya dataset dan bisa menjadi bahan untuk proses analisa lebih lanjut. Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra] Title of manuscript is short and clear, implies research results (First Author)

2304 Jatisi ISSN 2407-4322 Vol. 9, No. 3, September 2022, Hal. 2292-2304 E-ISSN 2503-2933 DAFTAR PUSTAKA [1] E. D. Jayanti and N. Ani, \"Pembangunan Dashboard Untuk Visualisasi Analisa Keuangan,\" 2017. [2] Rasyid and Haryati, \"Perancangan Sistem Informasi Akuntansi Penjualan Tunai pada PT. Buana Sultra Mandiri,\" Bau-Bau, 2019. [3] S. R. Wahyuningrum, Statistika Pendidikan (Konsep Data dan Peluang), CV Jakad Media Publishing, 2020. [4] D. Aryanti and J. Setiawan, \"Visualisasi Data Penjualan dan Produksi PT. Nitto Alam Indonesia Periode 2014-2018,\" Tangerang, 2018. [5] R. Indrakumari, T. Poongodi and S. R. Jena, \"Heart Desease Prediction Using Exploratory Data Analysis.,\" Procedia Computer Science, Vol. 173, pp. 130-139, 2020. [6] N. U. Nabilla and S. Hidayat, \"Pengembangan Business Intelligence pada Sistem Informasi Distributor,\" 2021. [7] M. R. Adani, \"Tahapan Pengembangan Perangkat Lunak Dengan Metode Waterfall,\" Sekawan Media, 29 Desember 2020. [Online]. Available: https://www.sekawanmedia.co.id/metode-waterfall/. [Accessed November 2021]. [8] D. Galiana, \"Wimi Teamwork,\" 28 Oktober 2019. [Online]. Available: https://www.wimi- teamwork.com/blog/the-5w1h-method-project-management-defined-and-applied/. [Accessed 20 11 2021]. [9] M. Coccia, \"The Fishbone Diagram to Identify, Systematize and Analyze The Sources of General Purpose Technologies,\" 2018. [10] A. N. Syahrudin and T. Kurniawan, \"Input dan Output pada Bahasa Pemrograman Python,\" 2018. Aditya, et., al [Analisa dan Visualisasi Data Penjualan Menggunakan Exploratory Data Analysis pada PT. Telkominfra]