Lewati ke isi
anakdata.id
≡

Konsep kunci

11 konsep yang sering Anda dengar, dalam gambar

Istilah seperti ETL, star schema, atau RAG muncul di lowongan dan di meeting tim data. Tiap konsep di sini punya satu gambar, satu analogi, dan penjelasan pendek. Gambarnya kami buat ulang dari handout Peta Dunia Data, supaya tetap terbaca di layar HP.

Satu contoh yang berjalan

Kami memakai satu contoh untuk sebagian besar gambar: jaringan restoran mi rekaan. Kasir di tiap cabang mencatat penjualan, tim data merapikan dan menghitungnya, lalu pemilik membaca dashboard. Di bawah tiap gambar, kami menulis bagian yang perlu Anda lihat lebih dulu.

Lima dari sebelas analogi juga memakai restoran. Sisanya meminjam hal sehari-hari lain, misalnya kokpit pesawat atau belajar bahasa asing.

Label di tiap konsep menyebut asal isinya. Praktisi berarti disampaikan praktisi di sesi Ngobrol Karir. Data berarti diambil dari dokumentasi resmi yang link-nya kami cantumkan. Penyusun berarti penilaian atau contoh rekaan penyusun.

Konsep 1

OLTP mencatat transaksi, OLAP merekapnya

  • Praktisi · praktisi di sesi Ngobrol Karir, sesi Data Engineer
OLTP: mencatatDatabase aplikasi kasirwaktucabangmenuporsikasirSatu transaksi = satu baris baruOLAP: merekapDatabase khusus analyticswaktucabangmenuporsikasirHanya membaca kolom yang perlu
Lihat bagian yang disorot. Di tabel OLTP, setiap transaksi kasir restoran mi menambah satu baris utuh. Di tabel OLAP, rekap total porsi per cabang cukup membaca dua kolom: cabang dan porsi.

Analoginya

OLTP itu mesin kasir: setiap pembelian menambah satu baris. OLAP itu rekap sekota sebulan dari semua mesin kasir tadi.

OLTP: mencatat. Cepat menulis satu baris per transaksi, tapi lambat untuk merekap data besar. Contoh: PostgreSQL, MySQL.

OLAP: merekap. Total porsi per cabang sebulan cukup dihitung dari dua kolom, cocok untuk database columnar. Contoh: ClickHouse, BigQuery.

Di kamus:OLTP dan OLAPDatabase

Konsep 2

ETL atau ELT, kapan data dibersihkan?

  • Praktisi · praktisi di sesi Ngobrol Karir, sesi Data Engineer
ETLExtractAmbil darisistem sumberTransformDicuci ditengah jalanLoadMasukwarehousesudah bersihELTdi dalam warehouseExtractAmbil darisistem sumberLoadTaruh semuadi warehouseduluTransformBersihkan didalamwarehouse
Lihat posisi kotak Transform yang disorot. Di ETL, alat seperti SSIS membersihkan transaksi kasir di tengah jalan, sebelum data masuk warehouse. Di ELT, semua transaksi masuk warehouse dulu, lalu Data Engineer merapikannya di sana dengan alat seperti dbt.

Analoginya

ETL: mobil dicuci sambil jalan, jadi berat di memori. Alat klasik: Informatica, SSIS, Talend. ELT: semua barang ditaruh di gudang dulu, baru dibersihkan. Alat transformasi: dbt.

Praktisi Data Engineer di sesi Ngobrol Karir: dulu ETL populer, kini ELT lebih dipilih karena lebih murah dan rapi. Pengalaman praktisi, belum diukur.

Di kamus:ETLData warehousePipeline

Konsep 3

Medallion architecture, pembersihan data bertahap

  • Praktisi · praktisi di sesi Ngobrol Karir, sesi Data Engineer
  • Penyusun · contoh rekaan penyusun
Contoh restoran miBronzeSemua transaksikasir apa adanyaSilverTransaksi bataldibuang, namamenu diseragamkanGoldPenjualan harianper cabang, siapuntuk dashboardpemilikbersihkanrangkumAnalis dan dashboard
Ikuti contoh restoran mi dari kiri ke kanan. Tabel penjualan yang sama makin rapi di tiap tahap, sampai tabel gold siap dibaca dashboard pemilik.

Analoginya

Dapur persiapan restoran. Bahan dicuci (bronze), dipotong (silver), siap masak (gold).

Bronze: raw data apa adanya dari sumber, masih ada dobel dan kolom berantakan.

Silver: sudah dibersihkan: dobel dibuang, format diseragamkan, tabel digabung.

Gold: siap untuk analisis bisnis; Data Analyst membaca tabel ini.

Di kamus:Data cleaningDuplikat

Konsep 4

Star schema, satu tabel fakta dikelilingi dimensi

  • Penyusun · contoh rekaan penyusun
Dimensi tanggaltanggal, hari, bulan,hari liburDimensi menunama menu, kategori,harga dasarDimensi cabangnama cabang, kota,ukuranDimensi pembayarantunai, kartu, dompetdigitalFakta penjualantanggal_idcabang_idmenu_idbayar_idporsi, harga
Lihat kolom berakhiran _id di tabel fakta penjualan. Tiap kolom _id menunjuk ke satu dari empat tabel dimensi, jadi analis bisa mengelompokkan penjualan per tanggal, menu, cabang, atau cara bayar.

Analoginya

Cara menata rak gudang supaya barang mudah dicari: satu rak utama berisi kejadian, rak-rak di sekitarnya berisi keterangan.

Fakta: kejadian yang jadi bahan hitungan. Satu baris = satu menu dalam satu transaksi.

Dimensi: keterangan untuk memfilter dan mengelompokkan.

Di kamus:GrainPrimary keyForeign keyJoin

Konsep 5

Warehouse, data lake, dan lakehouse

  • Penyusun · analogi dan pembanding dari penyusun
Data warehouseData lakeLakehouse
Bandingkan isi ketiga tempat. Warehouse hanya menerima kotak yang sudah tertata di rak, data lake menampung semua bentuk apa adanya, dan lakehouse memasang rak berlabel di atas danau yang sama.

Analoginya

Gudang pusat. Warehouse raknya tertata, data lake gudang curah, lakehouse gudang curah yang punya rak.

Data warehouse

Menyimpan
Tabel rapi yang siap dianalisis.
Bayangkan
Gudang dengan rak berlabel.
Cocok untuk
Dashboard dan query SQL rutin.
Contoh
BigQuery, Snowflake, Redshift, ClickHouse

Data lake

Menyimpan
File mentah: tabel, log, gambar.
Bayangkan
Danau: masuk dulu, ditata nanti.
Cocok untuk
Data besar dengan biaya murah.
Contoh
Object storage seperti S3

Lakehouse

Menyimpan
File mentah yang bisa dibaca SQL.
Bayangkan
Danau yang punya rak berlabel.
Cocok untuk
Analisis dan ML dari satu tempat.
Contoh
File di object storage, tampil sebagai tabel SQL
Di kamus:Data warehouseData lakeCloud

Konsep 6

Dengan orkestrasi, pipeline jalan sendiri

  • Praktisi · praktisi di sesi Ngobrol Karir, sesi Data Engineer
Orkestratorsesuai jadwalSumberDatabase kasir di PostgreSQLIngestionAirbyte atau skrip PythonWarehouseDisimpan di ClickHouseTransformdbt merapikan sampai goldDashboardSiap dibaca pagi hari
Lihat rel di kiri. Orkestrator tidak mengolah data sendiri. Ia menyalakan lima langkah di kanan secara berurutan sesuai jadwal, dari database kasir sampai dashboard yang siap dibaca pagi hari.

Analoginya

Manajer dapur yang memegang jadwal. Jam 5 bahan datang, jam 6 dicuci, jam 7 dimasak.

Langkah-langkah ini dijalankan orkestrator (Airflow, Prefect) berurutan sesuai jadwal, misalnya setiap pagi.

Kalau satu langkah gagal, langkah berikutnya ditahan dan alert dikirim ke Data Engineer.

Praktisi di sesi Ngobrol Karir mengingatkan: kalau data masih kecil, alat ingestion ringan seperti Airbyte bisa sudah cukup tanpa orkestrasi besar. Jangan overkill.

Di kamus:OrkestrasiPipeline

Konsep 7

Batch atau streaming?

  • Penyusun · penilaian penyusun
  • Praktisi · praktisi di sesi Ngobrol Karir, sesi Data Engineer
Batchmalam 1malam 2malam 3Streamingsetiap kejadian langsung jalan
Bandingkan dua timeline. Di timeline batch, kejadian menumpuk dulu, lalu pipeline memindahkannya sekaligus tiap malam. Di timeline streaming, sistem memproses setiap kejadian saat itu juga.

Analoginya

Pabrik dengan ban berjalan. Pesanan diproses begitu masuk, tidak ditumpuk sampai sore.

Batch. Data dikumpulkan, lalu dipindah sekaligus pada jadwal, misalnya tiap tengah malam. Contoh: laporan penjualan harian restoran. Alat: Airflow dan SQL.

Streaming. Data dipindah dan diolah terus-menerus, begitu kejadiannya terjadi. Contoh: posisi kurir di aplikasi ojek. Alat: Kafka, Spark.

Praktisi Data Engineer di sesi Ngobrol Karir menaruh big data dan streaming di level medium–lanjut, jadi mulailah dari batch (saran penyusun).

Di kamus:Batch dan real-time

Konsep 8

SQL: bahasa untuk bertanya ke database

  • Praktisi · praktisi di sesi Ngobrol Karir, sesi Data Analyst
  • Penyusun · contoh rekaan penyusun
1SELECT cabang, SUM(porsi) AS total_porsi2FROM penjualan3WHERE tanggal >= '2026-09-01'4GROUP BY cabang5ORDER BY total_porsi DESC;
Ikuti nomor di kiri kode. Tiap nomor menandai satu klausa, dan daftar bernomor di bawah menjelaskan apa yang dikerjakan klausa itu pada tabel penjualan restoran mi.

Analoginya

Praktisi di sesi Ngobrol Karir mengibaratkan SQL dengan bahasa Korea. Kalau mau bicara dengan orang Korea, Anda belajar bahasa Korea. Kalau mau bertanya ke database, Anda belajar SQL.

Praktisi di sesi Ngobrol Karir menyebut SQL bahasa utama orang data, dan menyarankan belajar sampai CTE agar Anda bisa mengecek query buatan AI.

Hasil query di atas: daftar cabang, yang paling laris di atas.

  1. 1SELECT: kolom cabang dan jumlah porsi.
  2. 2FROM: ambil dari tabel penjualan.
  3. 3WHERE: transaksi sejak 1 September.
  4. 4GROUP BY: satu baris per cabang.
  5. 5ORDER BY: porsi terbanyak di atas.
Di kamus:SQLQueryAgregasiFilter

Konsep 9

Dashboard cockpit atau dashboard bercerita

  • Praktisi · praktisi di sesi Ngobrol Karir, sesi Data Analyst
  • Penyusun · contoh rekaan penyusun
Cockpit syndromeDashboard berceritaPenjualan cabang Bturun sejak promoselesaivs targetvs bulan laluvs tahun lalu
Bandingkan dua layar. Di kiri, banyak grafik kecil berukuran sama berebut perhatian. Di kanan, satu kalimat pesan ada di atas, satu grafik besar di tengah, dan tiga pembanding di bawahnya.

Analoginya

Cockpit syndrome meminjam gambaran kokpit pesawat: puluhan tombol dan jarum tampil bersamaan, dan mata tidak tahu harus mulai dari mana.

Cockpit syndrome: semua grafik masuk berukuran sama, sampai user bingung melihat ke mana.

Dashboard bercerita: satu pesan utama, dengan pembanding yang jelas.

Tambahkan konteks: pola musiman, event belanja, biaya iklan. Lihat polanya dari helicopter view sebelum menyimpulkan.

Di kamus:DashboardStorytellingMusimanKPI

Konsep 10

Siklus model machine learning

  • Data · dokumentasi Google
  • Penyusun · urutan dan pembagian peran dari penyusun
1. Masalah danmetric2. Siapkan data3. Trainingmodel4. Evaluasi5. Deploy6. MonitoringRetrain saatdata berubah
Bayangkan model yang menebak porsi mi yang laku besok di tiap cabang. Ikuti panahnya dari tahap 1: sesudah deploy, monitoring membawa siklus kembali ke awal saat pola penjualan berubah, lalu tim data melakukan retrain.

Analoginya

Juru masak senior yang dari catatan bertahun-tahun bisa menebak porsi yang laku besok.

Mulai dari metric. Google Rules of ML: rancang metric-nya dulu, dan model pertama sebaiknya sederhana.

Data Scientist biasanya memegang langkah 1–4.

ML Engineer memegang deploy. MLOps mengotomasi monitoring dan retraining.

Menurut Google, performa model bisa menurun karena profil data terus berubah, sehingga model perlu monitoring dan retraining.

Di kamus:Machine learningModelTraining dataOverfittingBaseline

Sumber: Google, Rules of Machine Learning (membuka tab baru), Google Cloud, MLOps (membuka tab baru)

Konsep 11

LLM dan RAG dalam satu gambar

  • Penyusun · contoh rekaan penyusun
  • Data · dokumentasi Anthropic
Pertanyaan"Berapa lama mi direbusmenurut SOP?"RetrievalCari potongan dokumen yangpaling mirip maknanyaLLMMenjawab dari pertanyaan +potongan dokumenJawabanPlus halaman SOP sumbernyaDokumenSOP dan laporan,diubah jadiembedding divector database
Ikuti pertanyaan dari atas ke bawah. Sebelum LLM menjawab, retrieval mengambil potongan SOP yang paling mirip maknanya dari kotak Dokumen di kanan. Karena itu jawabannya bisa menyebut halaman SOP sumbernya.

Analoginya

Asisten pandai bicara yang belum kenal restoran Anda. Dengan RAG, buku SOP dibuka dulu sebelum menjawab.

Tanpa RAG, LLM hanya menjawab dari data training-nya, sehingga bisa halusinasi: jawabannya terdengar yakin padahal mengarang.

Evaluasi: siapkan daftar pertanyaan dengan jawaban yang benar, lalu ukur berulang. Guardrail: tetapkan apa yang tidak boleh dijawab.

Di kamus:LLMHalusinasi

Sumber: Anthropic, Define your success criteria (membuka tab baru)

Isi halaman ini diambil dari handout Peta Dunia Data (Ngobrol Karir Data & AI 2026). Link sumber diperiksa 5 Oktober 2026.

Alatnya apa saja?

Peta alat per kelompok, dari database sampai AI generatif, dengan tanda alat yang ramah pemula.

Belajar dari mana?

Fondasi yang sama untuk semua peran, lalu tiga anak tangga di tiap jalur.

Masih ada kata asing?

Kamus istilah data, satu kalimat per istilah, dalam bahasa sehari-hari.