Pemanfaatan Chatgpt Untuk Analisis Data Berkelanjutan
Keywords:
ChatGPT; analisis data; kecerdasan buatan generatif; statistik; validasi; prompt engineering.Abstract
Perkembangan large language model menjadikan ChatGPT tidak hanya digunakan untuk menghasilkan teks, tetapi juga sebagai asisten analisis data yang dapat membantu pengguna memahami struktur data, membersihkan data, membuat kode, menjalankan analisis statistik, membangun visualisasi, dan menjelaskan hasil melalui bahasa alami. Artikel ini bertujuan menganalisis bentuk pemanfaatan ChatGPT dalam siklus analisis data, mengidentifikasi manfaat dan risikonya, serta merumuskan kerangka kerja yang dapat digunakan secara aman dan dapat direproduksi. Metode yang digunakan adalah tinjauan literatur naratif terhadap 15 sumber ilmiah yang diterbitkan pada 2021-2025. Literatur dikelompokkan menurut kemampuan pembuatan kode, penalaran, analisis statistik, analisis kuantitatif, analisis kualitatif, serta mekanisme verifikasi. Hasil sintesis menunjukkan bahwa ChatGPT efektif sebagai pendamping untuk data profiling, transformasi, eksplorasi, visualisasi, pemilihan prosedur statistik, dan penyusunan narasi hasil. Namun, kualitas keluaran sangat dipengaruhi oleh kelengkapan prompt, pemahaman pengguna, karakteristik data, dan proses validasi. Kesalahan pemilihan uji, kode yang tidak lengkap, asumsi statistik yang tidak diperiksa, serta interpretasi yang terlalu meyakinkan tetap menjadi risiko utama. Artikel ini mengusulkan kerangka PAVE yang terdiri atas Prompt, Analyze, Validate, dan Explain, serta tahap iterasi untuk memastikan bahwa keluaran ChatGPT tidak langsung diperlakukan sebagai hasil final. Kerangka tersebut menempatkan manusia sebagai pengambil keputusan, sedangkan ChatGPT berfungsi sebagai asisten yang mempercepat pekerjaan teknis dan memperluas akses terhadap analisis data.
Downloads
References
Ahn, S. (2024). Data science through natural language with ChatGPT’s Code Interpreter. Translational and Clinical Pharmacology, 32(2), 73–82. https://doi.org/10.12793/tcp.2024.32.e8
Austin, J., Odena, A., Nye, M., Bosma, M., Michalewski, H., Dohan, D., Jiang, E., Cai, C., Terry, M., Le, Q., & Sutton, C. (2021). Program synthesis with large language models. arXiv. https://doi.org/10.48550/arXiv.2108.07732
Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A., Creel, K., Davis, J. Q., Demszky, D., ... Liang, P. (2021). On the opportunities and risks of foundation models. arXiv. https://doi.org/10.48550/arXiv.2108.07258
Chen, M., Tworek, J., Jun, H., Yuan, Q., Pinto, H. P. O., Kaplan, J., Edwards, H., Burda, Y., Joseph, N., Brockman, G., Ray, A., Puri, R., Krueger, G., Petrov, M., Khlaaf, H., Sastry, G., Mishkin, P., Chan, B., Gray, S., ... Zaremba, W. (2021). Evaluating large language models trained on code. arXiv. https://doi.org/10.48550/arXiv.2107.03374
Fried, D., Aghajanyan, A., Lin, J., Wang, S., Wallace, E., Shi, F., Zhong, R., Yih, W.-T., Zettlemoyer, L., & Lewis, M. (2022). InCoder: A generative model for code infilling and synthesis. arXiv. https://doi.org/10.48550/arXiv.2204.05999
Ignjatović, A., & Stevanović, L. (2023). Efficacy and limitations of ChatGPT as a biostatistical problem-solving tool in medical education in Serbia: A descriptive study. Journal of Educational Evaluation for Health Professions, 20, 28. https://doi.org/10.3352/jeehp.2023.20.28
Kazemitabaar, M., Williams, J., Drosos, I., Grossman, T., Henley, A., Negreanu, C., & Sarkar, A. (2024). Improving steering and verification in AI-assisted data analysis with interactive task decomposition. arXiv. https://doi.org/10.48550/arXiv.2407.02651
Nijkamp, E., Pang, B., Hayashi, H., Tu, L., Wang, H., Zhou, Y., Savarese, S., & Xiong, C. (2022). CodeGen: An open large language model for code with multi-turn program synthesis. arXiv. https://doi.org/10.48550/arXiv.2203.13474
OpenAI. (2023). GPT-4 technical report. arXiv. https://doi.org/10.48550/arXiv.2303.08774
Ordak, M. (2023). ChatGPT’s skills in statistical analysis using the example of allergology: Do we have reason for concern? Healthcare, 11(18), 2554. https://doi.org/10.3390/healthcare11182554
Prandner, D., Wetzelhütter, D., & Hese, S. (2025). ChatGPT as a data analyst: An exploratory study on AI-supported quantitative data analysis in empirical research. Frontiers in Education, 9, 1417900. https://doi.org/10.3389/feduc.2024.1417900
Ruta, M. R., Gaidici, T., Irwin, C., & Lifshitz, J. (2025). ChatGPT for univariate statistics: Validation of AI-assisted data analysis in healthcare research. Journal of Medical Internet Research, 27, e63550. https://doi.org/10.2196/63550
Schwarz, J. (2025). The use of generative AI in statistical data analysis and its impact on teaching statistics at universities of applied sciences. Teaching Statistics, 47(2), 118–128. https://doi.org/10.1111/test.12398
Turobov, A., Coyle, D., & Harding, V. (2024). Using ChatGPT for thematic analysis. Bennett Institute for Public Policy, University of Cambridge.
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., Le, Q. V., & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems, 35, 24824–24837.
