Memindahkan Data Google Sheets ke BigQuery

Kalau data operasional Anda ada di Google Sheets dan laporannya mulai lambat, ada dua cara utama memindahkannya ke BigQuery: membuat external table yang membaca Sheets secara langsung, atau memuat datanya secara terjadwal ke tabel BigQuery biasa. Cara pertama paling cepat dipasang. Cara kedua lebih stabil untuk laporan harian.

Artikel ini membahas kapan pindah ke BigQuery memang perlu, bedanya kedua cara tersebut, cara menjaga skema tetap rapi, dan cara menyambungkannya ke dashboard. Kalau Anda belum familiar dengan BigQuery, baca dulu BigQuery adalah.

Kapan perlu pindah ke BigQuery

Google Sheets sangat nyaman untuk input data dan kolaborasi. Masalahnya muncul saat Sheets juga dipakai sebagai tempat analisis. Tanda-tanda Anda mulai butuh BigQuery:

  • File makin berat. Rumus butuh beberapa detik untuk menghitung ulang, dan membuka file di laptop biasa terasa lambat.
  • Data tersebar di banyak file. Penjualan per cabang di file berbeda, lalu disatukan dengan IMPORTRANGE yang sering error.
  • Mendekati batas ukuran. Satu spreadsheet Google Sheets dibatasi sekitar 10 juta sel. Data transaksi harian bisa mencapainya lebih cepat dari perkiraan.
  • Butuh gabungan dengan sumber lain, misalnya data iklan, data marketplace, atau data dari aplikasi kasir.
  • Dashboard lambat dibuka karena harus membaca banyak sheet sekaligus.

Kalau yang Anda rasakan hanya satu atau dua rumus yang lambat, merapikan spreadsheet mungkin sudah cukup. Tapi kalau tanda di atas muncul bersamaan, memindahkan analisis ke BigQuery biasanya lebih hemat waktu dalam jangka panjang. Sheets tetap bisa dipakai tim untuk input.

Dua opsi: external table vs load terjadwal

Alur data Google Sheets ke BigQuery: lewat external table yang membaca Sheets langsung, atau lewat load terjadwal ke tabel BigQuery, lalu ditampilkan di Looker Studio

Opsi 1: External table

External table adalah tabel di BigQuery yang datanya tetap tersimpan di Google Sheets. Setiap kali Anda menjalankan query, BigQuery membaca isi Sheets saat itu juga.

Kelebihannya, pemasangannya cepat. Anda cukup memasukkan URL spreadsheet, memilih sheet dan rentang sel (misalnya Penjualan!A1:H), dan menentukan jumlah baris judul yang dilewati. Data yang diubah tim di Sheets langsung terlihat di query berikutnya.

Tapi ada beberapa keterbatasan yang disebut di dokumentasi resmi Google Cloud:

  • Query ke external table bisa lebih lambat dibanding tabel BigQuery biasa.
  • Hasil query dari sumber seperti Google Drive tidak di-cache, jadi setiap query dibaca ulang dan dihitung ulang.
  • BigQuery tidak menjamin konsistensi data kalau isi Sheets berubah saat query sedang berjalan.
  • External table hanya bisa dibaca. Anda tidak bisa mengubah datanya dari BigQuery.
  • Akses ke Sheets butuh izin Google Drive tambahan, sehingga akun atau service account yang menjalankan query harus punya akses ke file tersebut.

Opsi 2: Load terjadwal

Di opsi ini, data dari Sheets disalin ke tabel BigQuery biasa secara berkala, misalnya setiap malam. Dashboard dan analisis membaca tabel salinan tersebut.

Cara menjalankannya ada beberapa:

  • Scheduled query di BigQuery yang membaca external table tadi, lalu menulis hasilnya ke tabel biasa. Anda bisa memilih mode timpa (overwrite) atau tambah (append). Jarak minimum antar jadwal adalah 5 menit.
  • Workflow n8n dengan node Google Sheets untuk membaca data dan node Google BigQuery untuk memasukkan baris. Cocok kalau datanya perlu dibersihkan dulu atau digabung dengan sumber lain.
  • Google Apps Script dengan trigger terjadwal, kalau tim Anda sudah terbiasa dengan ekosistem Google Workspace.
External table Load terjadwal
Pemasangan Beberapa menit Butuh jadwal dan skrip atau workflow
Kesegaran data Selalu terbaru Sesuai jadwal, misalnya harian
Kecepatan query Bisa lambat Cepat, seperti tabel BigQuery biasa
Risiko data berubah di tengah query Ada Kecil, karena membaca salinan
Cocok untuk Eksplorasi, data kecil, referensi Dashboard harian dan laporan rutin

Pola yang sering dipakai adalah menggabungkan keduanya: external table sebagai “pintu masuk”, lalu scheduled query menyalin isinya setiap malam ke tabel biasa. Dashboard hanya membaca tabel salinan.

Menjaga skema tetap konsisten

Skema adalah susunan kolom dan tipe datanya: kolom mana berisi tanggal, mana berisi angka, mana berisi teks. Di Sheets, siapa pun bisa menambah kolom, mengganti judul, atau mengetik “lima ratus ribu” di kolom harga. BigQuery jauh lebih ketat. Kalau tipe data tidak cocok, query atau load bisa gagal.

Beberapa kebiasaan yang mencegah masalah:

  1. Kunci baris judul dan urutan kolom. Pakai fitur protect range di Sheets supaya judul tidak diubah sembarangan.
  2. Pakai validasi data untuk kolom tanggal, angka, dan pilihan tetap (misalnya nama cabang dari daftar).
  3. Tentukan skema secara manual di BigQuery, jangan hanya mengandalkan deteksi otomatis. Deteksi otomatis bisa salah menebak kalau baris awal kebetulan kosong.
  4. Pisahkan sheet input dan sheet catatan. Jangan campur tabel data dengan catatan, total, atau grafik di sheet yang sama.
  5. Periksa kualitas setelah load, misalnya jumlah baris hari ini dibanding kemarin, tanggal kosong, atau nominal negatif. Cara memantaunya dibahas di data quality.

Kalau ada kolom baru yang memang dibutuhkan, tambahkan dengan sengaja: ubah skema di BigQuery dulu, baru di Sheets.

Otomatisasi sinkron harian

Misalnya sebuah distributor punya satu file Sheets per cabang untuk mencatat penjualan harian. Alur sinkron yang rapi bisa seperti ini:

  • Jam 23.00, admin cabang sudah selesai input.
  • Jam 01.00, scheduled query atau workflow membaca semua sheet cabang, menyeragamkan format tanggal dan nama produk, lalu menulis ke satu tabel penjualan_harian di BigQuery.
  • Setelah load selesai, pemeriksaan otomatis mengecek jumlah baris per cabang. Kalau ada cabang yang nol, notifikasi dikirim ke admin.
  • Jam 06.00, dashboard sudah membaca data terbaru.

Dua hal yang perlu diputuskan sejak awal:

  • Timpa atau tambah? Kalau Sheets berisi seluruh riwayat, mode timpa paling sederhana. Kalau Sheets hanya berisi data minggu berjalan, pakai mode tambah dengan kunci unik supaya tidak ada baris ganda.
  • Siapa pemilik jadwalnya? Pakai service account khusus, jangan akun pribadi karyawan. Kalau karyawan itu keluar dan aksesnya dicabut, sinkronisasi akan berhenti tanpa ada yang sadar.

Soal biaya, BigQuery menagih penyimpanan dan jumlah data yang diproses query, dengan kuota gratis bulanan. Untuk data operasional UKM, biayanya biasanya kecil, tapi tetap cek halaman harga resmi Google Cloud karena harga dan kuota bisa berubah.

Menghubungkan ke dashboard

Setelah data ada di tabel BigQuery, menghubungkannya ke dashboard jauh lebih mudah dibanding menyambungkan puluhan sheet.

Pilihan paling umum di ekosistem Google adalah Looker Studio. Sejak April 2026, Google mengganti namanya menjadi Data Studio, jadi Anda mungkin melihat kedua nama itu di berbagai tutorial. Dasar pemakaiannya dibahas di Looker Studio adalah.

Beberapa tips supaya dashboard tetap cepat:

  • Buat tabel ringkasan (misalnya total per hari per cabang) untuk dashboard, jangan membaca tabel transaksi mentah setiap kali halaman dibuka.
  • Filter berdasarkan tanggal sejak awal, supaya query tidak membaca seluruh riwayat.
  • Hindari menghubungkan dashboard langsung ke external table untuk laporan yang sering dibuka.

Kalau Anda ingin memindahkan data operasional dari Sheets ke BigQuery tanpa mengganggu cara kerja tim, Aqilatic bisa membantu merancang alurnya, dari skema sampai dashboard. Detail layanan data ada di layanan kami, atau mulai saja dengan audit proses gratis.

Pertanyaan yang sering muncul

Apakah tim tetap bisa input data di Google Sheets?

Bisa. Pola yang paling umum justru begitu: Sheets tetap jadi tempat input, BigQuery jadi tempat analisis. Yang berubah hanya dashboard dan laporan, yang sekarang membaca dari BigQuery.

Apakah perlu bisa SQL untuk memakai BigQuery?

Untuk memasang external table dan scheduled query, pemahaman SQL dasar sangat membantu. Pengguna dashboard tidak perlu SQL karena mereka cukup membaca grafik di Looker Studio.

Seberapa sering data sebaiknya disinkronkan?

Untuk kebanyakan laporan operasional, sekali sehari sudah cukup. Kalau tim butuh angka yang lebih segar, jadwal bisa dibuat per jam, dengan catatan jumlah query dan biayanya ikut naik.