Analisis data Bimbingan Teknis Informatika

1. Bimbingan Teknis Informatika Jenjang SMA:
ANALISIS DATA
Tim Penyusun:
Paulina H. Prima Rosa, S.Si., M.Sc.
Dr. Ir. Inggriani Liem
Irya Wisnubhadra, S.T., M.T., IPM.
Erlangga, S.Kom., M.T.
Yudi Ahmad Hambali, S.Kom., M.T.
Hotel d’Prima Tangerang
13-17 November 2023

2. Agenda
1. Mengapa AD
2. Capaian Pembelajaran & Struktur Materi Analisis Data dalam Fase E
3. Alur Pembelajaran Bimtek AD
4. Prinsip Pembelajaran AD
5. Contoh Kasus & Projek Analisis Data

3. Mengapa AD?

4. Analisis Data dalam Informatika
• Mapel Informatika bertujuan untuk
mengantarkan peserta didik menjadi
“computationally literate creators” yang
menguasai konsep dan praktik Informatika.
• Elemen Analisis Data (AD) dan elemen
Algoritma dan Pemrograman (AP)
menjadi inti body of knowledge dari mata
pelajaran Informatika, bertumpu pada
kemampuan berpikir komputasional.
 Ref. https://cdn.iste.org/www-root/
Computational_Thinking_Operational_
Definition_ISTE.pd

5. Mengapa Analisis Data Penting?
(Russel Ackoff,1989) (Gupta, 2020)

6. Mengapa Analisis Data Penting?
• Dalam dunia digital dengan informasi yang berlimpah dibutuhkan
kemampuan berpikir analitis untuk membantu orang memilah dan
memilih informasi yang relevan dan valid sehingga dapat mengambil
tindakan maupun keputusan yang tepat.
• AD sangat relevan untuk berbagai mata pelajaran lain terutama terkait
STEM  untuk mengamati, memodelkan, dan menyimpulkan fenomena
alam, fisis, sosial, maupun hasil eksperimen
• Fenomena big data  logika berpikir berhadapan dengan data besar
perlu dibangun sejak dini melalui kemampuan untuk menganalisis data
dalam skala kecil, sedang, dan selanjutnya kian membesar dan kompleks.

7. Analisis Data
• Definisi
• Data analysis is a process of inspecting, cleansing, transforming, and modelling data with the goal of
discovering useful information, informing conclusions, and supporting decision-making [Wikipedia]
• Data analysis is the process of collecting, modeling, and analyzing data to extract insights that support
decision-making. [ https://www.datapine.com/blog/data-analysis-methods-and-techniques/ ]
• There are several methods and techniques to perform analysis depending on the domain and
the aim of the analysis.
• Penting untuk mempelajari CP Analisis Data pada mata Pelajaran Matematika
• AD Math : penerapan matematika terhadap model data dan mendapatkan simpulannya (misalnya hasil
visualisasi
• AD IF : focus ke proses pengoalahan data untuk menghasilkan informasi bermakna
• Mengacu ke Model I-P-O Komputer
• Input : mengumpulkan dan entry data, bisa manual atau otomatis
• Proses : sorting, searching, indexing, clustering/classification, data mining, .....
• Output : visualisasi data dalam berbagai bentuk visual
• Membaca bermakna data sangat penting, untuk menalar (mis. Hindari hoax, presentasi dengan
data tak lengkap sehingga simpulan berupa fallacy, validasi data, verifikasi data
• Analisis data dapat dikaitkan/dipadukan dengan BK, AP, DSI, TIK, PLB bahkan dengan mata
pelajaran lain. BK perlu diintegrasikan pada setiap unit pembelajaran AD
7

8. Analisis Data, Pemodelan dan Simulasi
• Tiga hal tersebut merupakan satu kesatuan yang
berkesinambungan
• Analisis Data dihubungkan dengan elemen Computational Thinking
“pengenalan pola” yang akan jelas dengan visualisasi
• Berhubungan erat dengan bidang ilmu lain, terutama Matematika
dan Sain
• Statistik
• Probabilitas
• Analisis dan Interpretasi data membutuhkan pengetahuan
domain/bidang yang dianalisis, misalnya : analisis data pertanian,
perkembangan penduduk, pariwisata (dipakai sebagai contoh pada
buku SMP)
• Tambahan: di tingkat perguruan tinggi, sudah ada model data standard untuk
berbagai domain [bidang ilmu tertentu]. Model data berbeda dengan model
persoalan ! Model data muncul sebagai hasil berpikir komputasional
8

9. “Analisis data” dapat dilakukan jika data ada
Data Input - HOTS exercice
• Data yang dibutuhkan bisa sedikit atau banyak. Tentu, siswa akan belajar berjenjang
• Banyak volumenya
• Kompleksitas strukturnya (banyak elemen, dan elemen terstruktur), tempat penyimpanannya
• Saat ini ada banyak cara yang pernah kita alami untuk input data:
• Tanggung jawab 1 orang,
• Sebar formulir kertas, lalu Entry manual ke file excel
• Minta dikirim lewat sms/WA
• Data banyak orang, mau cepat - ini hanya contoh maaf menyebut merk
• Sebar WA, copy-copy
• Google sheet, bisa diakses banyak orang
• Google Form
• Data sumbernya intrenet
• Cara manual ?
• Cara otomatis ?
• Data input harus diyakinkan benar, tidak ada kesalahan
• Ingat Kembali dan perhatikan saat kita membuat akun di bank. Bagaimana petugas meyakinkan data benar
?
• Cara mana yang paling efektif, efisien, optimal ?
• Setiap cara punya kelebihan dan kekurangan
9
Nah, ini baru
untuk input!

10. Siklus Pengolahan Data
Pengumpulan
Data
Pengolahan
Data
Visualisasi
Data
Analisis dan
Interpretasi
Data
Publikasi
Hasil

11. Capaian Pembelajaran & Struktur Materi
Analisis Data dalam Fase E

12. Capaian Pembelajaran AD Fase E
• Capaian pembelajaran (CP) elemen AD pada akhir fase E:
Peserta didik mampu: menjelaskan aspek privasi dan keamanan
data, mengumpulkan data secara otomatis dari berbagai sumber
data, memodelkan data berbagai bidang, menerapkan seluruh
siklus pengolahan data (pengumpulan, pengolahan, visualisasi,
analisis dan interpretasi data, publikasi) dengan menggunakan
perkakas yang sesuai, menerapkan strategi pengelolaan data
yang tepat guna dengan mempertimbangkan volume dan
kompleksitasnya.
• CP elemen AD diraih melalui berbagai aktivitas dengan tujuan
pembelajaran yang relevan yang secara bertahap dan komprehensif
mengarah ke CP  tersusun menjadi Alur Tujuan Pembelajaran (ATP).
• Contoh:
⮚ ATP Informatika SMA  Buku Siswa dan Buku Guru Informatika
kelas X dan XI terbitan Kementerian Pendidikan, Kebudayaan, Riset,
dan Teknologi Republik Indonesia (2021).

13. Peta Konsep Materi AD dalam Fase E

14. Deskripsi Ringkas Materi AD dalam Fase E
No Konsep Deskripsi ringkas
1. Pengertian & Arti Penting Data,
Privasi Data, Keamanan Data,
serta Analisis Data
● Arti data
● Berbagai tipe dan format data
● Privasi Data
● Keamanan Data
● Analisis data dan arti pentingnya
2. Siklus Pengolahan Data ● Pengertian siklus pengolahan data
● Tahapan dalam siklus pengolahan data yang mencakup
pengumpulan, pengolahan, visualisasi, analisis dan
interpretasi, serta publikasi hasil pengolahan data
3. Otomatisasi Pengolahan Data ● Pengertian otomatisasi pengolahan data
● Pengenalan perkakas otomatisasi pengolahan data
● Penggunaan perkakas untuk melakukan otomatisasi
pengolahan data
4 Strategi Pengolahan Data
Bervolume Besar/Sedang
dan/atau Kompleks
● Pengertian volume dan kompleksitas data
● Pengertian strategi pengolahan data volume
besar/sedang dan/atau kompleks
● Integrasi strategi dalam praktik penyelesaian kasus

15. Gambaran Umum Materi AD
⮚ Materi esensial AD pada dasarnya terdiri dari 2 kelompok besar
pengetahuan yaitu konsep (core concept) dan praktik (core practices).
⮚ AD dapat diintegrasikan dengan Praktika Lintas Bidang (PLB) dalam
bentuk projek pengolahan data dalam berbagai domain sehingga menjadi
cross cutting aspect.

16. Prinsip Pemberian Tugas Analisis Data Fase E
• Sesuaikan jenis tugas dengan kondisi sekolah: plugged/unplugged
• Pemilihan kasus:
➢ Tema kasus yang menantang agar proses belajar peserta didik
menyenangkan
➢ Data set dikenal siswa & bisa dikaitkan dengan tema besar seperti SDG.
Bisa memanfaatkan data public dari internet (open data).
➢ Tidak berfokus pada tools melainkan proses pemodelan dan analisisnya
➢ Membangun kemampuan berpikir HOTS
➢ Tingkat kesulitan berjenjang (ukuran dan kompleksitas data bertambah,
perkakas berbeda)  pembelajaran berdiferensiasi
➢ Bisa berkolaborasi dengan mapel lain.
• Projek praktik lintas bidang: mencakup semua kemampuan (capstone)
kontribusi mewujudkan Profil Pelajar Pancasila (P5).
16

17. Keterkaitan AD dengan Elemen Lain dalam Informatika
AD terkait dengan elemen lain dalam kurikulum Informatika:
⮚ Dampak Sosial Informatika (DSI): penyalahgunaan data,
penggunaan data secara keliru, penggunaan data terbuka yang
tersedia di internet
⮚ Teknologi Informasi dan Komunikasi (TIK): memanfaatkan
tools lembar kerja untuk analisis data
⮚ Algoritma dan Pemrograman (AP): mengotomasi proses
pengolahan data
⮚ Praktik Lintas Bidang (PLB): pengolahan data lengkap hanya
dapat dilakukan untuk keseluruhan proses mulai dari entry,
proses pengolahan, hingga visualisasi output

18. Keterkaitan AD dengan Mata Pelajaran & Bidang Lain
• AD terkait dengan mata pelajaran lain, misalnya:
✔ Matematika diperlukan untuk merumuskan proses
komputasi
✔ IPA dan IPS dapat memanfaatkan AD untuk mengolah data
hasil observasi maupun eksperimen untuk diambil
kesimpulan
• AD terkait pula dengan berbagai bidang, misalnya dalam 17
domain yang menjadi fokus Sustainable Development Goals
(SDGs) seperti kemiskinan, kelaparan, kesehatan &
kesejahteraan, pendidikan, air bersih, energi bersih, dan
sebagainya.

19. Beberapa Prinsip Pembelajaran AD

20. Learning Progression AD
Aspek Fase D Kelas VII Fase D Kelas VIII
Volume
data
Kecil (jumlah baris ≤ 50) Lebih besar (jumlah baris >
50)
Struktur Linier (bukan hirarkis) Lebih kompleks, perlu
hide/show/freeze untuk
menampilkannya
Tujuan Agar peserta didik fokus
pada pengolahan data
kecil tersebut, misalnya
dapat mengecek kebenaran
suatu rumus.
Dengan menguasai
pengolahan data kecil,
peserta didik dapat
membuat uji kasus (test
case) untuk mengecek
kebenaran suatu rumus.
Agar peserta didik mampu
mengolah data yang lebih
besar, namun memulainya
dengan data yang berukuran
kecil. Ketika mengolah data,
jika semua rumus sudah
benar maka data baru
ditambah.
• Untuk dapat mencapai CP
yang ditetapkan dalam
elemen AD, perlu
diperhatikan learning
progression pada setiap
jenjang
• Manfaat variasi volume
dan kompleksitas
struktur:
⮚ bagi peserta didik:
ditantang untuk
mengerjakan
berbagai level
kesulitan persoalan.
⮚ bagi guru:
mempraktekkan
pembelajaran yang
berdiferensiasi
Fase E
Besar (jumlah baris
>100)
Lebih kompleks, perlu
hide/show/freeze untuk
menampilkannya
Agar peserta didik
mampu mengolah data
yang lebih besar dengan
memanfaatkan perkakas
yang bisa mengotomasi
satu atau beberapa
proses pengolahan data.

21. Learning Progression AD

22. Pendekatan Pembelajaran AD
• Unplugged: tanpa menggunakan
komputer
• Plugged: menggunakan
perangkat bantu komputer
Gambar diambil dari https://www.linkedin.com/pulse/5-great-ict-tools-teaching-
maths-michael-hilkemeijer

23. Karakteristik Pembelajaran AD secara Plugged & Unplugged
• Masing-masing moda pembelajaran plugged atau unplugged punya kelebihan dan
kekurangan.
• Keseluruhan aktivitas pembelajaran sepanjang Fase sebaiknya mengkombinasikan
kedua moda pembelajaran tersebut agar peserta didik memperoleh pengalaman belajar
yang optimal, kecuali jika fasilitas TIK menjadi kendala.
• Unplugged bukan solusi mujarab hanya untuk mengatasi tiadanya fasilitas TIK.
• Kegiatan unplugged bukan hanya sekedar permainan peran, tetapi juga perlu
disimpulkan konsep apa yang disajikan di balik permainan peran tersebut  semantic
wave.
• Moda unplugged juga bermanfaat bagi peserta didik sekolah yang fasilitas TIK nya
canggih, karena membumikan konsep abstrak menjadi pengalaman nyata dalam
kehidupan sehari-hari, di mana peserta didik mengalami menjadi eksekutor dari solusi
yang dirancang.
• Situs pembelajaran unplugged: https://www.csunplugged.org
• Pembahasan lebih detail tentang unplugged & plugged serta gelombang semantik
(semantic waves) terdapat di Modul 4 Bimtek ini.

24. Praktik Baik Pembelajaran AD secara Plugged & Unplugged
1. Agar aktivitas peserta didik tidak mekanis, maka kasus perlu dijelaskan di
awal kegiatan dalam bentuk persoalan yang harus dipecahkan.
2. Peserta didik diajak secara bertahap memahami kasus dan merancang
solusinya dengan memanfaatkan kemampuan berpikir komputasional
(dekomposisi, abstraksi, pengenalan pola, algoritma).
3. Peserta didik dapat diajak bereksplorasi dengan jumlah data mulai dari
yang sedikit hingga banyak serta membandingkan cara pengolahan
keduanya → peserta didik dapat mengenali efisiensi dan efektifitas
pengolahan data tanpa menggunakan alat bantu maupun jika menggunakan
alat bantu.

25. Praktik Baik Pembelajaran AD secara Plugged & Unplugged
4. Kegiatan secara unplugged:
■ guru membuat lembar kerja versi plugged nya untuk didemokan
ke peserta didik.
■ membangkitkan “efek wow” yang membuat peserta didik bisa
melihat perbedaan plugged dan unplugged serta memahami
otomasi
■ Contoh?
5. Kegiatan plugged:
■ perlu pengenalan penggunaan aplikasi pengolah lembar kerja
■ fitur yang dipakai dibatasi sesuai CP
■ data yang banyak diberikan, tidak diketik

26. Contoh Kasus dalam Pembelajaran AD

27. Contoh Kasus Pembelajaran AD Fase E
Di SMA Merdeka, terdapat 3 orang guru Informatika yang mengajar di kelas X
yang memiliki 3 kelas paralel. Semua guru tersebut telah memasukkan nilai
PTS dan PAS ke dalam lembar kerja menggunakan aplikasi pengolah lembar
kerja. Berdasar nilai PTS dan PAS, telah dihitung nilai akhir (NA) dengan rumus
NA = (0,4 x PTS) + (0,6 x PAS). Nilai akhir telah dikonversi menjadi nilai huruf
(NH) dengan ketentuan sebagai berikut:
80.00 < NA <= 100.00 : A
70.00 < NA <= 80.00 : B
60.00 < NA <= 70.00 : C
NA < 60.00 : D
Ketiga guru tersebut bersepakat untuk melakukan analisis bersama-sama untuk
mendapatkan beberapa informasi tentang capaian peserta didik. Maka data nilai
hasil ketiga kelas paralel telah digabungkan menjadi satu tabel yang dibuat
menggunakan aplikasi pengolah lembar kerja dan disimpan di komputer lokal
dengan nama file Nilai_Siswa.xlsx.
Projek
AD
Fase D
Projek
AD
Fase E

28. Contoh Kasus Pembelajaran AD Fase E
Informasi yang diharapkan:
1. Berapa nilai akhir (NA) minimum dan
maksimum dari seluruh kelas?
2. Berapa rata-rata NA dari seluruh kelas?
3. Berapa cacah peserta didik yang mendapat nilai
A, B, C, D (masing-masing) di seluruh kelas?
4. Berapa rata-rata NA dari masing-masing
kelas?
5. Seperti apakah data lengkap peserta didik
dengan NA minimum dari masing-masing
kelas?
6. Seperti apakah data lengkap peserta didik
dengan NA maksimum dari masing-masing
kelas?
7. Seperti apakah grafik batang rata-rata NA dari
setiap kelas? Manakah kelas dengan rata-rata
tertinggi? Manakah kelas dengan rata-rata
terendah?
Bisa dicoba untuk dianalisis & divisualisasikan
memakai aplikasi pengolah lembar kerja atau
bahasa pemrograman yang telah Anda pelajari di
Modul AP

29. Format Data & Tindak Lanjut
Format Data Langkah Tindak Lanjut
Non digital (tertulis di kertas,
rekaman wawancara, dsb).
Mengubah bentuk data dari non digital menjadi digital
berbentuk file lembar kerja MS Excel atau CSV.
File MS Excel, CSV, atau
JSON
Membaca file menggunakan perkakas pengolah data
yang dipilih dan melakukan analisis.
Laman web Melakukan web scraping untuk mengekstrak data yang
ada di laman web dan menyimpannya sebagai lembar
kerja Excel atau CSV. Beberapa program scraper lanjut
dapat juga menghasilkan output berupa file JSON.
Teknik web scraping dijelaskan secara detail dalam Bab
mengenai Analisis Data di Buku Informatika kelas X
(https://buku.kemdikbud.go.id/katalog).

30. Tugas Kelompok Bimtek:
Projek AD

31. Sumber Data untuk Projek AD

32. Rancangan Pembelajaran AD: Garis Besar Aktivitas
Memakai data timbulan sampah dari tiap kabupaten/kota di seluruh
provinsi di Indonesia pada tahun 2018-2022 yang bisa diunduh dalam
format Excel dari tautan
https://sipsn.menlhk.go.id/sipsn/public/data/timbulan
Dikerjakan dalam kelompok @5 orang dengan pembagian peran
yang jelas & menjadi komponen penilaian.
 Lihat Buku Informatika untuk Siswa kelas XI.
Setiap kelompok boleh memilih data minimal 1 tahun dari 2 provinsi
berbeda untuk diolah. Pemilihan tahun dan provinsi dapat dilakukan
menggunakan aplikasi pengolah lembar kerja, misal dengan
memanfaatkan fitur filtering, atau bisa juga dilakukan dengan
menggunakan bahasa pemrograman yang pernah Anda pelajari di
Modul AP.

33. Tugas Projek AD
Informasi yang diharapkan:
1. Jumlah total timbulan sampah tahunan di setiap provinsi pada
setiap tahun
2. Provinsi dengan timbulan sampah tahunan paling sedikit pada
setiap tahun
3. Kategorisasi dan visualisasi rata-rata timbulan sampah tahunan
di setiap provinsi untuk seluruh tahun dengan ketentuan:
• Kategori provinsi “HIJAU” jika rata-rata timbulan sampah
tahunan <= 100.000 ton
• Kategori provinsi “ORANYE” jika 100.000 < rata-rata
timbulan sampah tahunan <= 700.000 ton
• Kategori provinsi “MERAH” jika rata-rata timbulan sampah
tahunan > 700.000 ton
4. Grafik jumlah total sampah tahunan di setiap provinsi dari tahun
ke tahun.
Image: Creative Commons Clipart #1465216

34. Praktik Baik Tugas Projek AD
Dalam implementasi di kelas bersama peserta didik, guru
boleh:
• menyesuaikan data yang digunakan dengan tingkat
kesiapan peserta didik, untuk mewujudkan
differentiated learning.
• Setiap kelompok peserta didik bisa menggunakan
volume dan kompleksitas yang berbeda. Bahkan bisa
saja peserta didik mengumpulkan sendiri data tentang
timbulan sampah di lingkungan tempat tinggal masing-
masing (rumah, RT, RW) untuk diolah.
• Setiap kelompok boleh memilih perkakas yang sesuai
untuk mengolah data dengan strategi yang jelas.
Image: Creative Commons Clipart #1465216

35. https://careerfoundry.com/en/blog/data-analytics/inspirational-data-quotes/

36. ☺☺☺
Selamat mendalami materi,
menemukan makna, dan
menjadi bermakna
☺☺☺