Modul Belajar AD (Analisa Data)

Modul ajar
INFORMATIK
A
ANALISA DATA
DATA ANALISA PERKAKAS VISUALISASI

KOLEKSI
DATA ANALISA DATA
DATA
DATA
ANALISA DATA
GOOGLE PHYTON
COLABORAAT
Disusun Oleh :
Friskha L. Manurung, S.Kom.
A Identitas Penulis Modul
Nama Guru : Friskha Lenny Manurung, S.Kom

Sekolah : SMK SWASTA TELADAN PEMATANGSIANTAR
Mata Pelajaran : Informatika
Materi /Topik : - Data
- Analisis data
- Perkakas Analisis Data
- Koleksi Data dengan Web Scraping
- Visualisasi Data
Capaian Pembelajaran : Pada akhir fase E, peserta didik mampu memahami aspek
privasi dan keamanan data, mengumpulkan data secara
otomatis dari berbagai sumber data, memodelkan data
berbagai bidang, menerapkan siklus pengolahan data
(pengumpulan, pengolahan, visualisasi, analisis, interpretasi,
dan publikasi) dengan menggunakan perkakas TIK yang sesuai,
serta menerapkan strategi pengelolaan data yang tepat guna
dengan mempertimbangkan volume dan kompleksitasnya.
Kelas/Semester : X/2
Pertemuan / Elemen : 1-5 / 5
Alokasi Waktu : 5 JP (5 x 45)
Fase : E
B. Kompetensi Awal : Memahami Aspek Privasi dan Keamanan Data
C. Profile Pelajar Pancasila

Beriman, bertaqwa : Peserta didik, berahklak beragama, berkhlak pribadi,
kepada TYME, dan berkhlak kepada manusia, berkhlak kepada alam, dan
Berakhlak Mulia berkhlak bernegara.
Kreatif : Peserta didik membuat presentasi hasil diskusi
Berpikir kritis : Peserta didik :
1. Mencari informasi yang dapat diperoleh dari internet
2. Membedakan kalimat yang bernilai benar dan salah
D. Sarana dan Prasarana :
1. Laptop/Komputer
2. Proyektor.
3. Lab. Komputer/Ruang Kelas
4. Jaringan internet
E. Target Peserta Didik : Reguler
F. Model Pembelajaran : Modul pembelajaran tatap muka
Discovery learning
G. Tahun Pelajaran : 2022-2023
MODUL AJAR – INFORMATIKA ANALISA DATA

Bahan Ajar
Analisa Data
Pertemuan 1-3
A. Materi
Saat ini, data dijadikan sebagai suatu keterangan hingga bahkan acuan untuk memudahkan
seseorang dalam mencari maupun mengamati suatu hal. Keterangan dari data ini sendiri
dapat berupa kata-kata, kalimat, simbol, angka, dan lain sebagainya. Namun, apabila ingin
mengetahui lebih lanjut mengenai data tersebut maka ada baiknya Anda mencari tahu
terlebih dahulu apa pengertian data.
Data sendiri saat ini sudah menjadi bagian dari aktivitas keseharian manusia. Dari data
tersebut, seseorang dapat mengetahui beberapa informasi berdasarkan apa yang diinginkan.
Terlebih data sendiri juga memiliki fungsinya yang sangat memudahkan manusia dalam
memperoleh dan merangkum hasil penelitian.
Tentu ada banyak fungsi data lainnya yang sangat memudahkan manusia dalam melakukan
aktivitas maupun pekerjaannya. Data juga banyak menjadi dasar dalam memutuskan sesuatu
bahkan menargetkan pasaran. Apabila Anda masih bingung mengenai istilah data tersebut,
ada baiknya simak pengertian data, definisi, fungsi, dan juga jenis-jenisnya pada ulasan di
bawah ini.
A. Memahami Pengertian Data

1. Bagi Anda yang bertanya-tanya apa pengertian data, data adalah merupakan sekumpulan
keterangan atau fakta yang dibuat dengan simbol, angka, kata-kata, maupun kalimat. Data
ini sendiri diperoleh lewat sebuah proses pencarian serta pengamatan yang tepat
berdasarkan sumber-sumber tertentu. Adapun pengertian data dapat diartikan sebagai
suatu kumpulan deskripsi/keterangan dasar yang berasal dari obyek maupun kejadian.
2. Dimana kumpulan keterangan tersebut didapatkan dari hasil pengamatan yang kemudian
diolah menjadi bentuk lainnya yang lebih kompleks. Baik itu berupa database, informasi,
dan lain sebagainya. Jika ditinjau secara bahasa, istilah data berasal dari bahasa Latin
yakni “Datum” yang memiliki arti suatu yang diberikan. Dari istilah tersebut maka
dijumpai arti data yang merupakan hasil dari pengamatan/pengukuran sebuah variable
tertentu dalam bentuk warna, kata-kata, simbol, anga, atau keterangan lainnya.
3. Data ini sendiri masih bersifat mentah yang karena untuk itu, agar Anda memperoleh data
yang baik, sangat penting untuk bersandar pada data yang memang sudah dipercaya
kebenarannya, keakuratannya, ketepatan waktunya, hingga ruang lingkupnya yang luas.
Selain itu, karena sifat data yang masih mentah seseorang yang membaca dan melihatnya
belum dapat memperoleh suatu informasi yang utuh. Tak heran apabila dari data tersebut
masih perlu dilakukan pengolahan terhadap data yang sudah diperoleh sampai data
tersebut benar-benar mampu menghasilkan informasi yang bisa dipahami dengan mudah.
Berbagai Manfaat dan Fungsi Sebuah Data

Data yang Anda temukan saat ini, tentu memiliki berbagai fungsi dan manfaatnya masing-
masing. Jika ditinjau secara umum, maka di bawah ini beberapa fungsi dan manfaat dari
data:
- Sebagai acuan kegiatan
Manfaat dan fungsi data yang pertama adalah sebagai acuan kegiatan. Hal ini berarti
adanya data tersebut bisa digunakan sebagai acuan atau toak ukur untuk membuat
sebuah kegiatan tertentu yang diinginkan.
- Sebagai dasar perencanaan
Sebuah data dapat Anda gunakan sebagai sebuah perencanaan. Pasalnya, dala membuat
suatu perencanaan sendiri sangat diperlukan parameter yang akurat. Sementara data
tersebutlah yang dapat digunakan sebagai parameter sekaligus acuan dalam membuat

sebuah perencanaan. Tak hanya itu, sebuah data juga dapat digunakan sebagai bahan
perkiraan keadaan di waktu yang akan datang. Dengan melihat data tersebut, maka
sebuah perencanaan akan lebih terarah sehingga dapat diperoleh hasil yang tepat.
- Dasar untuk membuat keputusan
Sebuah data juga dapat bermanfaat untuk membuat sebuah keputusan. Dari data yang ada
tersebut, seseorang dapat membuat keputusan terbaik terhadap suatu permasalahan yang
ada. Dengan begitu, seseorang akan dengan mudah menentukan keputusan berdasarkan
data yang dapat dipertanggungjawabkan.
- Sebagai bahan untuk mengevaluasi
Selain beberapa manfaat dan fungsi data di atas, sebuah data juga dapat dijadikan sebagai
bahan evaluasi. Misalnya dalam sebuah lembaga atau organisasi tertentu pasti dibutuhkan
suatu evaluasi dalam rangka meningkatkan kualitasnya.
Siklus Pengolahan data

Umumnya, ada beberapa siklus pengolahan data yang pasti terjadi dalam data science,
yakni:
1. DATA COLLECTION
Mengumpulkan data merupakan langkah pertama dalam pengolahan data. Sumber data
bisa berasal dari data lake, yakni kumpulan data mentah dalam jumlah sangat besar yang
tujuannya belum ditentukan, atau data warehouse, yaitu gudang untuk data terstruktur
dan terfilter yang telah diproses untuk tujuan tertentu. Penting dipastikan bahwa
sumber data yang tersedia dapat dipercaya dan dibangun dengan baik, sehingga data
yang dikumpulkan dan kemudian digunakan sebagai informasi memiliki kualitas tinggi.
2. DATA PREPARATION
Jika data sudah terkumpul, siklus selanjutnya adalah persiapan data. Persiapan data
adalah tahap di mana data mentah dibersihkan dan diatur untuk tahap pemrosesan data
berikutnya. Selama persiapan, data mentah diperiksa dengan teliti untuk menemukan
kesalahan. Tujuan dari langkah ini adalah untuk menghilangkan data yang buruk (data
yang berlebihan, tidak lengkap, atau salah) dan mulai membuat data berkualitas tinggi
sehingga bisa digunakan untuk berbagai keperluan yang tepercaya dan bisa
dipertanggungjawabkan.
3. DATA INPUT
Data yang sudah diseleksi kemudian akan dimasukkan ke tujuannya (mungkin CRM
seperti Salesforce atau gudang data seperti Redshift) untuk selanjutnya diterjemahkan
ke dalam bahasa yang dapat dipahami. Data input merupakan tahap pertama di mana
data mentah mulai dibentuk menjadi informasi yang dapat digunakan.
4. DATA PROCESSING
Selama tahap ini, data yang pada tahap sebelumnya sudah dimasukkan ke komputer
akan secara menyeluruh diproses untuk interpretasi. Pemrosesan dilakukan
menggunakan algoritma machine learning (pembelajaran mesin) meskipun prosesnya
sendiri mungkin sedikit berbeda, bergantung pada sumber data yang diproses (data
lake, jejaring sosial, perangkat yang terhubung, dan sebagainya) dan tujuan
penggunaannya (memeriksa pola iklan, diagnosis medis dari perangkat yang terhubung,
menentukan kebutuhan pelanggan, dan lain-lain).
5. DATA OUTPUT
Tahap output atau interpretasi adalah tahap di mana data akhirnya dapat digunakan oleh
pihak-pihak yang bukan data scientist. Data output biasanya diterjemahkan, dibaca, dan
dibuat dalam bentuk grafik, video, gambar, teks biasa, dan sebagainya. Jika data
output sudah keluar, maka anggota perusahaan atau institusi bisa mengakses sendiri
data tersebut untuk kemudian menjalankan proyek analitik data secara mandiri.

6. DATA STORAGE
Tahap terakhir dari pengolahan data adalah penyimpanan. Setelah semua data diproses,
data kemudian akan disimpan untuk digunakan di masa mendatang. Beberapa informasi
dapat segera digunakan, sebagian informasi lainnya dapat disimpan untuk digunakan di
kemudian hari. Anda perlu memastikan data tersimpan dengan benar agar mematuhi
undang-undang perlindungan data. Data yang disimpan dengan benar juga dapat dengan
cepat dan mudah diakses oleh anggota organisasi saat dibutuhkan sehingga lebih
menguntungkan.
METODE PENGOLAHAN DATA
Ada beberapa metode berbeda yang bisa dilakukan untuk mengolah data, yaitu:
SINGLE USER PROGRAMMING

Sesuai dengan namanya, Single User Programming (Pemrograman Pengguna Tunggal)
biasanya dilakukan oleh satu orang untuk penggunaan pribadi. Teknik ini cocok
digunakan oleh kantor kecil dengan jumlah data yang tidak terlalu besar.
MULTIPLE PROGRAMMING
Metode pengolahan data satu ini menyediakan fasilitas untuk menyimpan dan
mengeksekusi lebih dari satu program di Central Processing Unit (CPU) secara
bersamaan. Penggunaan teknik Multiple Programming (Pemrograman Ganda) ini
meningkatkan efisiensi kerja keseluruhan komputer masing-masing.
REAL-TIME PROCESSING
Metode ini memungkinkan pengguna untuk berhubungan langsung dengan sistem
komputer sehingga memudahkan proses pengolahan data. Metode ini juga dikenal
sebagai mode langsung dan dikembangkan secara eksklusif untuk melakukan satu
tugas. Real-time processing mirip semacam pemrosesan online yang selalu menjalankan
eksekusi.
ONLINE PROCESSING
Metode ini memudahkan pemasukan dan eksekusi data secara langsung sehingga tidak
menyimpan atau menumpuk terlebih dahulu untuk kemudian diproses. Metode yang
banyak digunakan pada aplikasi online ini dikembangkan untuk mengurangi kesalahan
entri data karena memvalidasi data di berbagai titik dan memastikan hanya data yang
dikoreksi yang dimasukkan.
TIME-SHARING PROCESSING
Ini adalah bentuk lain dari pemrosesan data online yang memfasilitasi beberapa
pengguna untuk berbagi sumber daya dari sistem komputer online. Beberapa
keuntungan utama pemrosesan time-sharing adalah memungkinkan beberapa pengguna
dapat dilayani secara bersamaan, semua pengguna memiliki jumlah waktu pemrosesan
yang hampir sama, dan ada kemungkinan interaksi dengan program yang sedang
berjalan.
KESIMPULAN
Menyimak apa itu pengolahan data dan siklusnya di atas, tidak mengherankan jika
penting bagi organisasi untuk melakukan pengolahan data yang baik dan benar. Data

mentah yang dibiarkan tanpa diolah dapat merugikan perusahaan yang perlu terus
berinovasi untuk mempertahankan minat pelanggan. Peran data scientist di sini sangat
besar karena perlu melakukan pengolahan data yang tepat guna
menghasilkan output yang tepat dan tepercaya.
Maka dari itu, penting bagi perusahaan untuk mendalami ilmu pengolahan data dengan
mempelajarinya lewat Algoritma Data Science School, pusat pendidikan data
science terpercaya dengan kurikulum pembelajaran langsung dari para praktisi.
Pemodelan Data dalam Berbagai Bidang
Apa itu pemodelan data?
Pemodelan data adalah proses menciptakan representasi visual atau cetak biru yang
menentukan pengumpulan informasi dan sistem manajemen berbagai organisasi. Cetak
biru atau model data ini membantu berbagai pemangku kepentingan, seperti analis,
ilmuwan, dan perekayasa data untuk menciptakan pandangan terpadu mengenai data
organisasi. Model tersebut menguraikan data yang dikumpulkan oleh bisnis, hubungan
antara berbagai set data, dan metode yang akan digunakan untuk menyimpan serta
menganalisis data.
Mengapa pemodelan data penting?
Saat ini, organisasi mengumpulkan data dalam jumlah besar dari banyak sumber daya
yang berbeda. Namun, data mentah saja tidak cukup. Anda perlu menganalisis data
untuk mendapatkan wawasan yang dapat ditindaklanjuti, yang dapat memandu Anda
untuk membuat keputusan bisnis yang menguntungkan. Analis data yang akurat
membutuhkan pengumpulan, penyimpanan, dan pemrosesan data yang efisien. Ada
beberapa teknologi basis data dan alat pemrosesan data, serta berbagai set data yang
memerlukan berbagai alat untuk mendapatkan analisis yang efisien.
Pemodelan data memberi Anda kesempatan untuk memahami data serta memilih
teknologi yang tepat untuk menyimpan dan mengelola data ini. Dengan cara yang sama
seperti saat arsitek mendesain cetak biru sebelum membangun sebuah rumah,
pemangku kepentingan bisnis mendesain model data sebelum mereka merekayasa
solusi basis data untuk organisasi mereka.
Pemodelan data memberikan manfaat berikut:

 Mengurangi kesalahan dalam pengembangan perangkat lunak basis data
 Memfasilitasi kecepatan dan efisiensi desain serta pembuatan basis data
 Menciptakan konsistensi dalam dokumentasi data dan desain sistem di seluruh
organisasi
 Memfasilitasi komunikasi antara perekayasa data dan tim kecerdasan bisnis
Apa saja jenis model data?
Pemodelan data biasanya dimulai dengan merepresentasikan data secara konseptual lalu
merepresentasikannya kembali dalam konteks teknologi yang dipilih. Analis dan
pemangku kepentingan membuat beberapa jenis model data yang berbeda selama tahap
desain data. Berikut ini adalah tiga jenis model data utama:
Model data konseptual

Model data konseptual memberikan gambaran besar tentang data. Model data tersebut
menjelaskan hal-hal berikut:
 Data dalam sistem
 Atribut data dan kondisi atau batasan pada data
 Aturan bisnis yang terkait dengan data
 Cara terbaik mengatur data
 Persyaratan keamanan dan integritas data

Pemangku kepentingan dan analis bisnis biasanya membuat model konseptual. Model
konseptual merupakan representasi diagram sederhana yang tidak mengikuti aturan
pemodelan data formal. Hal yang penting adalah model ini membantu pemangku
kepentingan teknis dan nonteknis untuk mempunyai visi yang sama dan menyepakati
tujuan, cakupan, serta desain proyek data mereka.
Contoh model data konseptual

Misalnya, model data konseptual untuk dealer mobil mungkin menunjukkan entitas data
seperti ini:
1. Entitas Showroom yang merepresentasikan informasi tentang berbagai toko yang
dimiliki oleh dealer
2. Entitas Mobil yang merepresentasikan beberapa mobil yang saat ini tersedia di dealer
3. Entitas Pelanggan yang merepresentasikan semua pelanggan yang telah melakukan
pembelian di dealer
4. Entitas Penjual yang merepresentasikan informasi tentang penjualan sebenarnya
5. Entitas Tenaga Penjualan yang merepresentasikan informasi tentang semua tenaga
penjualan yang bekerja di dealer
Model konseptual ini juga akan mencakup persyaratan bisnis, seperti berikut:
 Setiap mobil harus dimiliki oleh showroom tertentu.
 Setiap penjualan harus memiliki setidaknya satu tenaga penjualan dan satu pelanggan
yang terkait dengannya.
 Setiap mobil harus memiliki nama merek dan nomor produk.
 Setiap pelanggan harus memberikan nomor ponsel dan alamat email mereka.
Dengan demikian, model konseptual berperan sebagai jembatan antara aturan bisnis dan
sistem manajemen basis data fisik yang mendasarinya (DBMS). Model data konseptual
juga disebut sebagai model domain.
Model data logis

Model data logis memetakan kelas data konseptual ke dalam struktur data teknis. Model
data logis memberikan lebih banyak detail tentang konsep data dan hubungan data
kompleks yang diidentifikasi dalam model data konseptual, seperti berikut:
 Jenis data dari berbagai atribut (misalnya, string atau nomor)

 Hubungan antara entitas data
 Atribut utama atau bidang kunci dalam data
Arsitek data dan analis bekerja sama untuk membuat model logis. Mereka mengikuti
salah satu sistem pemodelan data formal untuk membuat representasi. Tim yang tangkas
kadang mungkin memilih untuk melewati langkah ini dan berpindah dari model
konseptual ke model fisik secara langsung. Namun, model ini sangat berguna untuk
mendesain basis data yang besar, yang disebut gudang data, dan untuk mendesain
sistem pelaporan otomatis.
Contoh model data logis

Pada contoh dealer mobil, model data logis akan memperluas model konseptual dan
lebih memperhatikan kelas data seperti berikut:
 Entitas Showroom memiliki bidang seperti nama dan lokasi sebagai data teks dan
nomor ponsel sebagai data numerik.
 Entitas Pelanggan memiliki bidang alamat email dengan format xxx@example.com
atau xxx@example.com.yy. Panjang nama bidang tidak boleh lebih dari 100 karakter.
 Entitas Penjualan memiliki nama pelanggan dan nama tenaga penjualan sebagai
bidang, beserta tanggal penjualan sebagai jenis data dan jumlah sebagai jenis data
desimal.
Dengan demikian, model logis berperan sebagai jembatan antara model data konseptual
dan teknologi yang mendasarinya serta bahasa basis data yang digunakan oleh
developer untuk membuat basis data. Namun, model logis bersifat agnostik teknologi,

dan Anda dapat mengimplementasikannya di bahasa basis data apa pun. Perekayasa
data dan pemangku kepentingan biasanya membuat keputusan teknologi setelah mereka
membuat model data logis.
Model daya fisik
Model data fisik memetakan model data logis ke dalam teknologi DBMS tertentu dan
menggunakan terminologi perangkat lunak. Misalnya, model data fisik memberikan
detail tentang hal-hal berikut:
 Jenis bidang data seperti yang ditunjukkan dalam DBMS
 Hubungan data seperti yang ditunjukkan dalam DBMS
 Detail tambahan, seperti penyetelan performa
Perekayasa data membuat model fisik sebelum implementasi desain final. Perekayasa
data juga mengikuti teknik pemodelan data formal untuk memastikan bahwa mereka
telah mencakup seluruh aspek desain.
Contoh model data fisik

Misalkan, dealer mobil memutuskan untuk membuat arsip data di Amazon S3 Glacier
Flexible Retrieval. Model data fisik mereka menjelaskan spesifikasi berikut:
 Di Penjualan, jumlah penjualan merupakan jenis data float dan tanggal penjualan
merupakan jenis data timestamp.
 Di Pelanggan, nama pelanggan adalah jenis data string.
 Di terminologi S3 Glacier Flexible Retrieval, vault merupakan lokasi geografis data
Anda.
Model data fisik Anda juga mencakup detail tambahan seperti Wilayah AWS tempat Anda
akan membuat vault. Dengan demikian, model data fisik berperan sebagai jembatan
antara model data logis dan implementasi teknologi final.
Apa saja jenis teknik pemodelan data?
Teknik pemodelan data merupakan metode berbeda yang dapat Anda gunakan untuk
membuat model data yang berbeda. Pendekatannya telah berevolusi dari waktu ke
waktu sebagai hasil dari inovasi konsep basis data dan tata kelola data. Berikut ini adalah
tiga jenis pemodelan data utama:
Pemodelan data hierarkis

Di pemodelan data hierarki, Anda dapat merepresentasikan hubungan antara berbagai
elemen data dalam format seperti pohon. Model data hierarkis merepresentasikan
hubungan satu-ke-banyak, dengan pemetaan kelas data induk atau akar ke beberapa
turunan.
Dalam contoh dealer mobil misalnya, kelas induk Showroom akan memiliki

entitas Mobil dan Tenaga Penjualan sebagai turunan karena satu showroom memiliki
beberapa mobil dan tenaga penjualan yang bekerja di showroom tersebut.
Pemodelan data grafik

Pemodelan data hierarkis dari waktu ke waktu telah berevolusi menjadi pemodelan data
grafik. Model data grafik merepresentasikan hubungan data yang memperlakukan
entitas secara sama. Entitas dapat terhubung satu sama lain dalam hubungan satu-ke-
banyak atau banyak-ke-banyak tanpa konsep induk atau turunan.
Misalnya, satu showroom dapat memiliki beberapa tenaga penjualan, dan satu tenaga

penjualan juga dapat bekerja di beberapa showroom jika lokasi sif mereka berbeda-beda.
Pemodelan data relasional

Pemodelan data relasional merupakan pendekatan pemodelan populer yang
memvisualisasikan kelas data sebagai tabel. Tabel data yang berbeda digabungkan atau
dihubungkan dengan menggunakan kunci yang merepresentasikan hubungan entitas
dunia nyata. Anda juga dapat menggunakan teknologi basis data relasional untuk
menyimpan data terstruktur, dan model data relasional merupakan metode yang sangat
berguna untuk merepresentasikan struktur basis data relasional Anda.

Misalnya, dealer mobil akan membuat model data relasional yang merepresentasikan tabel
Tenaga Penjualan dan tabel Mobil, seperti yang ditunjukkan di sini:
ID Tenaga Penjualan Nama
1 Jane
2 John
ID Mobil Merek Mobil
C1 XYZ
C2 ABC
ID Tenaga Penjualan dan ID Mobil merupakan kunci primer yang secara unik
mengidentifikasi entitas individu dunia nyata. Dalam tabel showroom, kunci primer ini
berperan sebagai kunci asing yang menghubungkan segmen data.
ID Tenaga
ID Showroom Nama showroom ID Mobil
Penjualan
S1 Showroom NY 1 C1
Pada basis data relasional, kunci primer dan asing bekerja sama untuk menunjukkan
hubungan data. Tabel sebelumnya menunjukkan bahwa showroom dapat memiliki
tenaga penjualan dan mobil.
Pemodelan data hubungan entitas

Pemodelan data hubungan entitas (ER) menggunakan diagram formal untuk
merepresentasikan hubungan antara entitas dalam basis data. Arsitek data
menggunakan beberapa alat pemodelan ER untuk merepresentasikan data.
Pemodelan data berorientasi objek

Pemrograman berorientasi objek menggunakan struktur data yang disebut objek untuk
menyimpan data. Objek data ini merupakan abstraksi perangkat lunak entitas dunia
nyata. Misalnya, dalam model data berorientasi objek, dealer mobil akan memiliki data
objek seperti Pelanggan dengan atribut seperti nama, alamat, dan nomor telepon. Anda
akan menyimpan data pelanggan sehingga setiap pelanggan dunia nyata
direpresentasikan sebagai objek data pelanggan.
Model data berorientasi objek mengatasi banyak batasan model data relasional dan
populer dalam basis data multimedia.
Pemodelan data dimensional

Komputasi korporasi modern menggunakan teknologi gudang data untuk menyimpan
data untuk analitik dalam jumlah besar. Anda dapat menggunakan proyek pemodelan
data dimensional untuk penyimpanan dan pengambilan data dari gudang data dengan
kecepatan tinggi. Model dimensional menggunakan data duplikasi atau redundan serta
memprioritaskan performa daripada penggunaan sedikit ruang untuk penyimpanan
data.
Misalnya, pada model data dimensional, dealer mobil memiliki dimensi seperti

Mobil, Showroom, dan Waktu. Dimensi Mobil memiliki atribut seperti nama dan merek,
tetapi dimensi Showroom memiliki hierarki seperti negara, kota, nama jalan, dan
nama showroom.

B. ANALISA DATA
1. Pengertian Analisa Data
Analisis data merupakan proses pengolahan data yang dilakukan untuk menemukan
informasi berguna sebagai bahan dasar dalam pengambilan keputusan maupun solusi
suatu permasalahan. Proses analisis data meliputi pengelompokkan data berdasarkan
karakteristiknya, pembersihan data, transformasi hingga pembuatan model data untuk
menemukan informasi penting dari data tersebut. Data yang telah melewati proses-
proses tersebut harus disajikan atau divisualisasikan menjadi bentuk yang menarik
serta dipahami orang lain. Biasanya, data-data tersebut disajikan dalam bentuk grafik
atau plot. Di era digital seperti sekarang, penggunaan teknologi hampir menyentuh
segala aktivitas yang kita lakukan. Hal tersebut tentu mendorong pertumbuhan data
yang terus bertambah setiap waktu. Apabila data dibiarkan menumpuk, maka
informasi yang terdapat dalam data tersebut akan menjadi hal yang sia-sia. Data bisa
diolah dan dimanfaatkan menjadi informasi yang berguna. Oleh karena itu, analisis
data diperlukan dan menjadi langkah pengolahan data yang sangat penting.
2. Fungsi Analisa Data
Dunia serba digital seperti sekarang mendorong peran analisis data yang sangat
penting dalam kesuksesan sebuah perusahaan maupun aspek berbagai industri.
Perusahaan harus menemukan cara yang tepat untuk mengikuti perkembangan zaman
dan perlu melakukan banyak hal dalam waktu yang sama. Seperti yang sudah
dijelaskan pada bagian perkenalan, analisis data sangat penting dalam pengumpulan
dan penarikan data yang bertujuan untuk mendapatkan informasi bagi pertumbuhan
maupun permasalahan yang terdapat pada perusahaan. Proses menganalisis akan
membuat perusahaan bekerja lebih cerdas dalam mencari informasi baru dan hal-hal
penting pada periode tertentu. Teknik analisis data memungkinkan
pemasar/perusahaan menjadi lebih efektif dalam memaksimalkan strategi pemasaran
dan efisien dalam mengeluarkan biaya pemasaran
3. Jenis Analisa Data
a. Analisa Kualitatif
Kualitatif Adalah analisis data yang diperoleh dengan menggunakan proses yang
sistematis. Yaitu dengan menggunakan metode pencarian dan penyiapan berbagai
macam data yang bersumber dari observasi lapangan, studi dokumen, catatan
lapangan, wawancara, dokumentasi, dan lain-lain yang hasilnya dapat berupa
laporan temuan penelitian. Analisis data ini sendiri dapat dilakukan dengan cara
mengorganisasikan data dalam suatu kategori, mensintesiskannya, memecahnya
menjadi satuan-satuan, menyusunnya menjadi pola, memilih mana yang penting
dan mana yang akan dipelajari, kemudian membentuk kesimpulan yang mudah
dipahami oleh setiap orang. memahami .
b. Analisa Kuantitaif
Kuantitatif Merupakan jenis analisis yang menggunakan indra dengan

menggunakan sifat kuantitatifnya. Artinya, analisis dilakukan dengan
menggunakan contoh-contoh tertentu. Seperti model matematika, model
ekonometrika, contoh statistik, dan sebagainya. lalu, apa yang akan terjadi selama
analisis jenis ini nantinya akan disajikan dalam bentuk angka-angka yang
ditafsirkan atau dijelaskan melalui deskripsi. Dalam penelitian jenis ini sendiri juga
dapat diperoleh apa itu analisis data. Yaitu kegiatan yang dilakukan setelah data
dari semua sumber/responden lain terkumpul. Kegiatannya serupa:
Ada dua macam pembagian yang perlu Anda ketahui, yaitu:

a. Analisis data statistik naratif
Teknik ini digunakan untuk melakukan analisis terhadap data dengan cara
mendeskripsikan atau mendeskripsikan data yang telah dikumpulkan tanpa
membentuk generalisasi hasil penelitian. misalnya seperti menyajikan data
dalam bentuk diagram, tabel, modus, mean, frekuensi, persentase, dan lain-lain.
b. Analisis data statistik inferensia

Yaitu salah satu teknik yang digunakan dalam menganalisis data dengan
membuat kesimpulan umum. yang menjadi ciri khas dari teknik analisis data
yang satu ini adalah inferensial. Artinya dengan menggunakan rumus statistik
tertentu, maka apa yang akan terjadi dari perhitungan yang dibuat tadi dijadikan
dasar untuk membuat generalisasi atau kesimpulan dalam istilah awam. dalam
hal ini berarti statistik inferensial dapat berguna dalam menggeneralisasikan
apa yang akan terjadi dalam suatu penelitian. tidak mengherankan jika teknik
statistik inferensial ini sangat berguna untuk sampel penelitian.
C. Perkakas Analisa Data

1. Aktivitas AD-K10-01-P: Mengenal Google Colab
Aktivitas ini dilakukan untuk memulai mengenal alat/lingkungan analisis data, salah
satunya ialah Google Colab. Google Colab atau Google Colaboratory adalah salah satu
lingkungan pengembangan aplikasi terintegrasi yang disediakan oleh Google secara online
(Online IDE). Karena sifatnya yang online, maka pengguna tidak perlu melakukan instalasi
dan dapat langsung menggunakan Google Colab untuk menulis program dan melakukan
pengolahan data dari Internet. Selain itu, Google Colab juga memiliki banyak fungsi serta
library yang dapat digunakan untuk membantu pengolahan data, termasuk untuk
melakukan scraping.
Sebelum membuat program, berikut beberapa langkah mengenal penggunaan Google
Colab.
1. Buka Google Colaboratory melalui link https://colab.research.google.
com/ Jika diminta untuk Sign-In, silakan masuk dengan menggunakan akun
Google/GMail.
2. Buat catatan baru melalui pilihan NEW NOTEBOOK seperti diperlihatkan pada
Gambar 6.3. Notebook adalah penamaan untuk file kerja di dalam Google Colab,
tempat membuat berbagai macam dokumen, termasuk teks dokumen/catatan dan
teks kode program Python.
Perhatikan bahwa Google Colab memiliki beberapa bagian area kerja yang hampir
serupa dengan berbagai IDE yang lain. Beberapa objek yang ada di Google Colab
diperlihatkan pada Gambar 6.3, yaitu seperti berikut.
a. Nama Notebook, yang merupakan nama file berekstensi ipynb (Ipython Notebook). Kita
bisa mengganti nama notebook dengan mengklik nama notebook tersebut.
b. Star, yang menandakan tingkat kepentingan file ini.
c. Header Kanan, yang berisi pilihan komentar, pilihan untuk berbagi (share), pengaturan
(setting) file, serta pengaturan akun.
d. Menubar, yang berisi pilihan menu seperti File, Edit, View dan lain sebagainya.
e. Panel Kiri, yang berisi beberapa ikon menu seperti Daftar Isi, Pencarian, Penyisipan
Kode, Pengelolaan File, dan Pemilihan Perintah.
f. Toolbar Atas, yang berisi pilihan ikon untuk Penambahan Kode atau Teks, Pilihan
Koneksi, dan Pilihan Menutup Menubar.
Konten Notebook, yang berisi tulisan kode program atau teks yang kita tulis.
h. Cell Toolbar, yang berisi pilihan ikon untuk mengatur sel pada konten Pemindahan
Atas atau bawah, Koneksi Antarsel, Penambahan komentar, Pengaturan Editor,
Penggandaan, Penghapusan Sel dan lain sebagainya.
2. Aktivitas AD-K10-02-P: Mengenal Python

Aktivitas pemanasan ini dilakukan untuk memulai mengenal sebuah
bahasa pemrograman yang menyediakan library untuk analisis data, yaitu Python.
Untuk membantu berkomunikasi dengan komputer, kita perlu sebuah bahasa yang
dipahami baik oleh manusia maupun komputer, dalam hal ini bahasa Pemrograman.
Secara umum, bahasa pemrograman adalah bahasa yang digunakan untuk membuat
program yang akan memberikan perintah kepada komputer untuk melakukan
sesuatu. Ada berbagai jenis bahasa pemrograman yang dapat digunakan untuk
membuat program. Salah satu bahasa pemrograman yang sering digunakan untuk
melakukan analisis data karena menyediakan library untuk berbagai tahap proses
analisis data, ialah bahasa Python. Python merupakan bahasa pemrograman yang
cukup populer, seperti halnya bahasa C yang digunakan dalam unit pembelajaran
Algoritma dan Pemrograman. Pada bagian ini, akan dibahas beberapa dasar
pemrograman Python, terutama yang terkait dengan analisis data. Perhatikan bahwa
pemrograman di materi analisis data ini hanya digunakan sebagai alat bantu.
Algoritma dan pemrograman juga akan sedikit disinggung dalam unit pembelajaran
ini sebagai bentuk latihan dan eksplorasi, memahami eksekusi yang terjadi
khususnya dalam setiap proses analisis data. Jadi, kalian tidak perlu terlalu bingung
memikirkan aturan bahasa pemrograman Python yang diberikan.
a. Cetak Data (print)

Perintah yang paling sederhana dalam bahasa pemrograman ialah perintah untuk
mencetak suatu nilai atau data (output). Seperti halnya pada Gambar 6.6 yang sudah
disajikan sebelumnya, mencetak data dalam Python dapat
dilakukan dengan menggunakan perintah print. Kalian dapat mengubah parameter
atau isi di dalam tanda kurung print dengan data yang lain, misalnya menggantinya
dengan “Selamat Datang”. Setelah kode program dieksekusi atau dengan menekan
tombol Run, program akan menampilkan data seperti yang diharapkan.
Latihan 1
1. Gantilah data dalam print dengan print(“2 + 3”), kemudian jalankan (Run). Apa
hasilnya?
2. Kemudian, ganti kembali data dalam print dengan print(2 + 3).
Apa hasilnya?
3. Ganti kembali data dalam print dengan print(“2” + “3”). Apa hasilnya?
4. Apa makna dari penggunaan tanda petik tersebut?
Tanda petik digunakan untuk mencetak data string, yang berupa nilai alfanumerik
dan tanda baca, yang tidak memiliki nilai aritmatika. Artinya, string “2” ditambah
(atau lebih tepatnya dijejerkan) dengan string “3”, hasilnya string “23”. Tidak masuk
akal string “2” dikurangi atau dikalikan string “3”, sedangkan jika bilangan 2
dikurangi atau dikalikan 3, pasti ada nilai bilangannya. Sampai di sini, apakah kalian
paham? Silakan, diskusikan dengan teman dan guru kalian.
Pemrograman Python di sini serupa dengan pemrograman C di unit pembelajaran Algoritma
Pemrograman. Di program-program selanjutnya, kalian akan belajar Python dengan
pendekatan prosedural seperti halnya belajar C. Untuk melihat hubungannya, kalian bisa
melihat kembali tabel perbandingan bahasa Python dan bahasa C di unit pembelajaran
Algoritma Pemrograman.
a. Pemberian Nilai Data (Assignment)
Selain mencetak langsung dari data yang ada di dalam tanda kurung, data lain yang
pengisiannya di luar tanda kurung juga dapat dicetak. Pengisian atau pemberian nilai
data ini disebut assignment. Assignment dilakukan dengan menyediakan sebuah
nama (variabel) yang kemudian diisi dengan suatu nilai data menggunakan tanda
sama dengan (“=”). Perhatikan baris perintah pertama pada Gambar 6.7. Dalam baris
tersebut, variabel bil1 diisi dengan nilai 10. Sebelum ke baris keempat, perhatikan
catatan berikut.
Latihan 2
1. Jika diperhatikan, ada berapa nama variabel yang digunakan dalam Gambar 6.6?
2. Apa makna dari baris ke-2 dan ke-3 dalam Gambar 6.6?

Setelah dilakukan penjumlahan dan data nilai hasilnya disimpan ke dalam variabel
jumlah, data ini kemudian dicetak pada baris 4. Kita dapat melihat hasil cetak atau
keluaran (output) dari variabel jumlah setelah program ditulis lengkap kemudian di-
Run. Perhatikan bahwa mencetak dapat dilakukan cukup dengan menuliskan nama
variabel yang akan dicetak tanpa menggunakan perintah print, khususnya jika berada
di baris terakhir kode program.
Latihan 3
Sebelum perintah menjumlahkan (baris 3), tambahkan baris perintah untuk
mencetak bil2 tanpa menggunakan perintah print.
1. Dapatkah bil2 tercetak di hasil eksekusi?
2. Kemudian, sekarang tambahkan perintah print pada baris untuk mencetak bil2 dan
jumlah.
Dapatkah kedua variabel tersebut tercetak?
c. Banyak Nilai untuk Satu Variabel (Array) Latihan 4
1. Ketikkan kode program berikut, kemudian lihat hasil eksekusinya.
2. Apakah output dari variabel bil1 pada baris keempat? Nilai 5 saja?
Ke manakah nilai 10-nya?
Perhatikan bahwa pada variabel bil1, bil2, dan jumlah, kita menyimpan data dengan
satu nilai saja untuk setiap variabel. Jika kita mengisi kembali variabel dengan nilai
yang lain, nilai yang lama akan hilang atau ditimpa dengan nilai baru. Namun
demikian, kita masih bisa menyimpan lebih dari satu nilai dalam satu variabel saja,
yang disebut variabel array.
Dalam kehidupan sehari-hari, kita akan menemui data yang memiliki banyak nilai,
termasuk daftar nilai mata pelajaran Informatika sebuah kelas, misalnya. Menuliskan
sebuah array dapat dilakukan dengan menggunakan tanda kurung siku seperti
diperlihatkan pada Gambar 6.8 baris pertama.
Karena satu variabel menyimpan banyak nilai, kita dapat menyebutkan nilai-nilai
tersebut sebagai nilai-nilai pertama (atau elemen indeks pertama), elemen kedua,
elemen ketiga, dan seterusnya. Dalam bahasa pemrograman, mengakses nilai ke-n
dari suatu array dapat dilakukan dengan menggunakan kurung siku persis
setelah nama variabel array tersebut, misalnya pada baris kedua Gambar 6.8.
Latihan 5
1. Ketikkan baris perintah pertama dan kedua saja pada kode program Gambar
6.7 (tanpa kode baris ketiga dan seterusnya), kemudian jalankan programnya.
Apakah output-nya bilangan 9?
2. Padahal, kita ingin mencetak data ke-1 pada baris kedua tersebut.
Mengapa tidak muncul bilangan 10?
d. Penelusuran Data/Pengulangan (Loop: for)
Perhatikan bahwa dalam Gambar 6.8 baris pertama, kita hanya mencetak satu
elemen sebuah data array pada indeks pertama. Pada baris ketiga dan kelima, kita
mencetak banyak elemen, tetapi sebagai satu data utuh. Bagaimana jika kita ingin
mencetak array sebagai elemen-elemen terpisah? Misalnya, kita ingin mencetak
setiap elemen dengan memberikan keterangan indeksnya. Kita dapat menggunakan
konsep Perulangan atau Loop dengan menggunakan perintah for, seperti
ditunjukkan Gambar 6.9. Perintah for digunakan dengan menyertakan sebuah
variabel baru untuk menelusuri setiap elemen di dalam variabel yang diberikan
(setelah perintah in).
Karena for merupakan perintah blok (mengandung beberapa perintah lain), perlu
diakhiri dengan tanda titik dua. Perintah-perintah yang dimaksudkan untuk ikut
berulang mengikuti for ini dibuat menjorok ke kanan misalnya 1 tab.
Perhatikan penulisan baris keempat dan kelima Gambar 6.9.
Latihan 6
1. Perhatikan baris kelima Gambar 6.9. Mengapa nomor indeks yang dicetak di baris
sebelumnya, perlu ditambah 1 setiap perulangan?

2. Bagaimana jika diganti, indeks ditambah dengan 2? Apa keluarannya?
3. Bagaimana jika dipindah, penambahan indeks dilakukan di baris keempat? Apa
output-nya?
Kita dapat menggunakan perintah lain untuk mengulang, seperti perintah while.
Kita dapat bereksplorasi terkait penggunaan while ini.
Latihan 7
Cari tahu penggunaan while dalam bahasa Python!
e. Uji Kondisi (Branch: try)
Perhatikan bahwa kode program pada Gambar 6.9, array diisi dengan satu jenis data,
yaitu data bilangan. Namun demikian, sebuah array bisa diisi dengan data yang
bervariasi, misal data bilangan dan data tekstual (karakter dengan tanda petik).
Namun, bagaimana pengolahan data yang bervariasi seperti ini?
Latihan 8
Ketik kode program pada Gambar 6.10! Kode program tersebut mencetak semua
data di dalam array yang kemudian dibagi dua. Namun demikian, pengolahan seperti
ini menghasilkan error.
Error apa yang muncul? Apa maknanya?
Gambar 6.10 Contoh Pengolahan Data yang Bervariasi Sumber: Dokumen
Kemendikbud, 2021
Perhatikan bahwa data yang dicetak dengan dibagi dua terlebih dahulu ini memiliki
variasi data seperti data bilangan dan data tekstual. Padahal, pembagian hanya bisa
dilakukan pada bilangan dan oleh bilangan. Maka, akan terjadi kesalahan jika
pembagian dilakukan pada data bilangan dan data tekstual.
Perhatikan pesan kesalahannya berbunyi “Line 3. Unsupported operand types
for /”, yang dibagi harus berupa bilangan dengan bilangan, bukan string/teks.
Lalu, bagaimana jika kondisi data yang akan diolah bervariasi seperti di atas?
Ada kalanya, user atau pengguna program memasukkan data yang benar. Namun ada
kalanya, mereka melakukan kesalahan saat memasukkan data. Oleh karena itu,
program yang dibuat harus memiliki mekanisme untuk menangani variasi data
tersebut. Bagaimana penanganannya? Misalnya, jika data yang ada berupa bilangan,
data langsung dibagi. Namun, jika data tidak bisa dibagi, berikan pesan bahwa data
bukan merupakan angka/bilangan. Penanganan ini dalam konsep pemrograman
disebut konsep percabangan atau branch. Salah satu perintah dalam Python yang
dapat digunakan dalam percabangan ialah pasangan perintah try dan except
Pertemuan 4-5
D. Koleksi Data Dengan Web Scraping
a. Pengertian web Scraping

Web scraping merupakan proses pengumpulan data dan informasi yang ada dalam
sebuah website secara otomatis dan spesifik. Dikatakan spesifik karena data yang
diambil hanya di bagian tertentu saja sesuai dengan kebutuhan. Umumnya halaman
web yang bisa dilakukan scraping merupakan halaman web yang dibuat dalam bahasa
markup XHTML atau HTML. Untuk melakukan web scraping ini bisa menggunakan
bahasa pemrograman Python, namun ada juga add-ins di google chrome yang bisa di
instal untuk melakukan scraping.
b. Cara Kerja Web Scraping
Cara kerja dari web scraping dapat dibagi menjadi empat langkah, yang pertama
adalah membuat program yang akan digunakan untuk mempelajari dokumen HTML
yang ada di website yang dijadikan tujuan untuk diambil datanya. Langkah kedua
merupakan proses pembuatan program yang digunakan untuk mempelajari teknik
navigasi pada website tersebut, sehingga kita dapat mengaplikasikannya pada aplikasi
web scraper yang dibuat. Langkah selanjutnya adalah proses pengambilan data secara
otomatis dari website yang telah ditentukan, langkah ini baru bisa dilakukan ketika

langkah pertama dan kedua telah berhasil. Dan yang terakhir, menyimpan data yang
didapatkan dalam database.
Berikut bagan cara kerja Web Scraping:
Teknik-teknik Web Scraping
Berikut ini adalah teknik-teknik yang bisa Anda aplikasikan untuk melakukan web
scraping.
1. Parsing HTML
Teknik ini bisa Anda gunakan untuk “mengikis” halaman web statis maupun
dinamis. Anda bisa menggunakan metode ini untuk mengekstraksi teks, link, screen
scraping, dll.
Prinsipnya adalah dengan mengirim HTTP Request ke server web.
Metode ini cukup andal untuk mengekstraksi data dalam jumlah besar dengan waktu
relatif singkat.
2. DOM Parsing
DOM atau Document Object Model mendefinisikan style, struktur, dan konten suatu
file XML.
Scraper bisa menguraikan DOM dan mendapatkan gambaran mendalam tentang
struktur suatu web. Scraper akan mencari node yang menampung informasi
kemudian mengekstrak semua datanya menggunakan XPath.
3. XPath
XML Path Language atau XPath merupakan suatu bahasa kueri yang bekerja di
dokumen XML.
Sejak XML menggunakan struktur seperti pohon, XPath bisa menavigasi ke seluruh
pohon. XPath akan memilih tiap-tiap node berdasarkan parameter tertentu.
XPath bisa Anda kolaborasikan dengan metode DOM Parsing.
4. Regular Expression
Metode ini beroperasi mencocokkan file tertentu melibatkan bahasa pemrograman
seperti Perl atau Phyton.
Cara scraping web dengan Python cukup kompleks untuk pemula. Pasalnya Anda
harus menguasai Phyton terlebih dahulu.
5. Google Sheets
Aplikasi Google Sheets ternyata juga bisa Anda manfaatkan untuk melakukan
ekstraksi data.
Daripada metode lain di atas, cara ini relatif lebih mudah bagi pemula.
Caranya relatif mudah. Anda hanya perlu membuka panel Inspect (click kanan ->
Inspect) dari suatu halaman web. Kemudian, cari XPath Expression dari elemen yang
ingin Anda salin.
Setelah itu, rumus fungsi =IMPORTXML(“URL”, ‘XPATH expression’)
Semua data bisa terekstraksi di aplikasi Google Sheet milik Anda.
6. Menggunakan Web Scraping Tools
Metode-metode di atas membutuhkan pengetahuan teknis tertentu untuk bisa
menjalankannya.
Para pemula biasanya lebih memilih jalan pintas yaitu dengan
menggunakan software atau tools scraping online.
Anda bisa dengan mudah menemukan tools semacam ini. Beberapa tools yang cukup
andal yaitu: Import.io, Octoparse, ParseHub, dll.
Anda juga bisa menggunakan browser Chrome untuk melakukan scraping. Cara
menggunakan web scraper Chrome sangat mudah. Anda hanya perlu menginstal Add
On seperti Web Scraper oleh Webscraper.io, Data Scraper oleh Data-Miner.io,
Scraper oleh DVHTN, dll.
Teknik-teknik di atas memang bisa Anda gunakan untuk melakukan scraping. Tapi
sayangnya, tidak semua teknik bisa bekerja 100% secara efektif.
Terkadang Anda akan mendapati sejumlah tantangan. Beberapa web akan sulit Anda
ekstraksi. Beberapa lainnya mungkin akan memblokir IP Anda.
Meski berhasil melakukan ekstraksi data, Anda juga harus siap dengan data yang
berantakan.
c. Mengapa Web Scraping Penting?

Teknik web scraping dapat memudahkan pekerjaan manusia dalam proses
mengumpulkan data. Kita tidak perlu lagi melakukan survey untuk hal-hal yang sudah
ada di website, contohnya kepuasan pelanggan. Kita cukup men-scraping data yang
ada di website tersebut. Perkembangan big data juga sangat mendukung penggunaan
web scraping, karena semua data yang berukuran besar dan bervariasi tersebut dapat
ditarik secara otomatis. Namun sayangnya, untuk melakukan web scraping tidak
semudah yang dibayangkan, dibutuhkan kemampuan tingkat tinggi di bidang
pemrograman untuk melakukannya.
E. VISUALISASI DATA
1. Prapemrosesan Data
Ketika menyampaikan suatu analisis, kebanyakan orang memilih untuk menggunakan

metode visualisasi data (data visualization) dengan tujuan agar audiensnya mudah
memahami materi apa yang sedang disampaikan.
Pasalnya, hasil analisis yang disampaikan melalui tulisan terkadang lebih sulit
dipahami dibandingkan dengan visual. Mengapa demikian? Hal tersebut karena cara
kerja otak yang lebih cepat merespon data visual, seperti gambar, grafik, bagan, dan
lainnya.
Tidak hanya itu, penggunaan metode visualisasi data juga memiliki banyak fungsi,
yakni mudah untuk mengidentifikasi pola, mendapatkan hasil analisis yang informatif,
hingga membuat audiens bisa memahami suatu permasalahan yang disampaikan.
Karena banyaknya fungsi yang bisa didapatkan dari penggunaan data visualization,
kali ini Dewaweb akan membahas mengenai pengertian visualisasi data hingga tools-
tools yang sebaiknya digunakan.
2. Visualisasi Data
a. Apa Itu Visualisasi Data?

Visualisasi data adalah bentuk presentasi grafis yang dibuat untuk menyampaikan
informasi dari hasil data atau analisis yang dimiliki. Sederhananya, visualisasi data
adalah kumpulan data yang ditampilkan dengan grafis.
Penggunaan data visualization ini dipercaya bisa mempercepat audiens dalam

memahami data yang ingin disampaikan. Pernyataan tersebut juga didukung
oleh penelitian yang menunjukkan bahwa 80% seseorang mencerna sesuatu dari apa
yang dilihat atau visual, sedangkan 20% lainnya melalui apa yang dibaca atau tulisan.

Dengan kata lain, otak manusia lebih mampu mengenali gambar hanya dalam waktu
13 milidetik. Adapun penelitian lain yang menjelaskan bahwa konten visual diproses
60.000 kali lebih cepat dari jenis konten yang lainnya.
Meski demikian, penerapan metode data visualization ini juga harus diikuti dengan
pemahaman yang jelas tentang manfaat dan tools yang digunakannya. Dengan begitu,
hasil analisis yang ingin disampaikan lebih informatif dan mendalam.
b. Jenis-Jenis Visualisasi Data

Ada beberapa jenis-jenis visualisasi data yang bisa dapat diterapkan. Tentu, setiap
jenis tersebut memiliki pengertian dan perannya masing-masing dalam
menyampaikan suatu analisis. Ingin tau apa saja jenis-jenis visualisasi data? Berikut
informasinya.
Visualisasi data sementara (temporal data visualizations)

Visualisasi data sementara/temporal merupakan jenis yang paling sering ditemui.
Biasanya, data visualization sementara cocok untuk menunjukkan hasil dari rangkaian
data yang berbentuk linear atau satu dimensi saja.
Adapun ciri-ciri utama temporal data visualization yang umum digunakan, yaitu
berupa garis yang bermula dan berakhir di titik tertentu. Lebih lanjut, contoh
visualisasi data sementara yang dapat digunakan adalah bar chart, line chart, scatter
plots, polar area diagrams, time series sequences, timelines, hingga gantt chart.
Visualisasi data hierarkis (hierarchical data visualizations)

Selanjutnya adalah visualisasi data hierarkis yang umumnya digunakan untuk
menunjukkan hubungan antara suatu kelompok terhadap kelompok lain yang lebih
besar. Jenis data visualization jenis ini cocok untuk menunjukkan munculnya data-
data baru yang berasal dari suatu penyebab. Contohnya adalah diagram pohon dan
grafik batang.
Visualisasi data jaringan (network data visualizations)

Jenis visualisasi data jaringan menunjukkan hubungan antara entitas dan tautan.
Sederhananya, jenis ini merupakan sekumpulan data yang saling berpengaruh satu
sama lainnya. Contoh visualisasi data jaringan adalah word cloud, alluvial diagrams,
node-link diagrams, hingga matrix chart.
Visualisasi data multidimensi (multidimensional data visualizations)

Multidimensional data visualizations merupakan visualisasi data yang memiliki
banyak dimensi yang cenderung memvisualisasikan data yang memiliki banyak
variabel atau dimensi. Dibandingkan dengan tipe visualisasi yang lainnya, jenis ini
biasanya ditampilkan lebih menarik dan mencolok. Contoh visualisasi multidimensi
adalah histograms, pie charts, hingga stacked-bar.
Visualisasi data geospasial (geospatial data visualizations)

Jenis tipe visualisasi data yang terakhir adalah geospasial. Visualisasi data geospasial
biasanya mewujudkan wujud nyata dari suatu benda atau ruang yang memiliki data
untuk ditampilkan. Contoh visualisasi data geospasial adalah cartogram, flow map,
heat map, hingga density map.
c. Visualisasi Data : Barchart

Bar Chart atau diagram batang merupakan bentuk visualisasi yang digunakan
untuk membandingkan data kategorikal. Hal ini serupa dengan diagram lingkaran
atau pie chart yang juga digunakan utnuk membandingkan kategori data satu
sama lain. Namun, diagram lingkaran lebih spesifik untuk melihat bagaiman satu
kategori data dibandingkan dengan keseluruhan data yang ada. Diagram batang
tidak cocok untuk hal tersebut. Kelebihan dari diagram batang adalah dapat
menampilkan lebih banyak kategori data daripada diagram lingkaran.
Import Library
Kode program berikut ini digunakan untuk melakukan import library yang akan
digunakan.
Mengambil data
Data yang digunakan kali ini adalah data dari monster Pokemon. Setelah data
diambil maka ditambahkan 1 kolom yang bernama Count. Kolom ini berisi angka
1 yang akan digunakan untuk menghitung nantinya.
Menyiapkan data
Diagram batang yang akan dibuat adalah mencari jumlah Type 1 dari seluruh data
monster Pokemon yang ada. Langkah pertama yang dilakukan adalah melalukan
grouping pada berdasarkan data Type 1. Grouping dilakukan dengan
menggunakan perintah group by. Penjelasan mengenai group by dapat dilihat
pada Group by Pandas DataFrame Untuk Perhitungan Data. Setelah dilakukan
grouping maka langkah berikutnya adalah diurutkan berdasarkan jumlah terkecil
sampai terbesar. Berikut kode programnya.
Membuat Bar Chart
Berikut kode program untuk membuat bar char atau diagram batang.

3. Visualisasi Data dengan Diagram
Membuat Diagram Batang Multi Kategori
Pada bagian ini akan dibuat diagram batang yang memiliki multi kategori. Diagram
batang yang akan dibuat adalah untuk mengetahui berapa jumlah monster legendary
pada kategorical Type 1. Visualiasi ini akan ditampilkan dalam bentuk stack atau
tumpukkan dan dalam bentuk batang yang terpisah.
Menyiapkan Data
Melakukan group by dengan 2 kategori.

Membuat Stacked Bar Chart
Membuat Unstacked Bar Chart

KOMPONEN INTI
A. Tujuan Pembelajaran
: AD.1. Memahami Pengertian Data
AD.2. Mengumpulkan Informasi tentang Analisis data
AD.3. Memodelkan tentang Perkakas Analisis Data
AD.4. Menerapkan pengertian Koleksi Data dengan Web
Scraping
AD.5. Menerapkan pengertian Visualisasi Data
B. Assesmen
: 1. Penilaian : Assesmen Individu dan kelompok
2. Jenis : Performa, Tertulis, Praktik
C. Pemahaman Bermakna
: - Data, Analisis data, Perkakas Analisis Data, Koleksi Data
dengan Web Scraping dan Visualisasi Data
D. Pertanyaan Pemantik
: 1. Pernahkah anda salah dalam mengambil kesimpulan
dari sebuah data?
2. Apa bahayanya jika kita sebagai pemimpin, salah
dalam mengambil kesimpulan dari sebuah data
tersebut?

E. Kegiatan Pembelajaran Utama
PERTEMUAN 1
Pendahuluan
1. Memberi Salam
2. Guru mengingatkan peserta didik tentang protocol kesehatan dimasa
pandemi
3. Guru meminta peserta didik memimpin doa dan muraja’ah
4. Guru mengabsen, mengecek kerapian berpakaian, kebersihan kelas.
5. Guru menyampaikan penjelasan tentang tujuan pembelajaran yang akan
dicapai
6. Guru memberikan penjelasan tentang tahapan kegiatan pembelajaran
7. Guru melakukan apersepsi
8. Guru memberikan pertanyaan arahan (Guide Questions) :
10 Menit
a. Pernahkah kita salah dalam mengambil kesimpulan dari sebuah data ?

b. Apa bahaya nya jika kita sebagai pemimpin, salah dalam mengambil
kesimpulan dari sebuah data tersebut ?
9. Guru memberi motivasi kepada peserta didik
Inti
160 Menit
A. Orientasi peserta didik pada masalah
1. Guru memberikan kepada peserta didik sebuah kalimat informasi:
- Peserta didik mendengarkan kalimat yang diutarakan oleh guru.

- Peserta didik diminta memberikan tanggapan dan pendapat
terhadap kalimat yang diutarakan.
- Peserta didik diberikan kesempatan untuk menetapkan
permasalahan dalam bentuk pertanyaan yang berhubungan
dengan kalimat yang diutarakan.
2. Guru menugaskan peserta didik agar membentuk kelompok sebanyak

4 orang.
- Guru membagikan lembar kerja dan kertas gambar secara

berkelompok yang berisi permasalahan yang ditetapkan dalam
pertanyaan-pertanyaan yang diajukan dan tugas membuat
- Peserta didik (dalam kelompok) membaca dan mengamati
aktivitas pembelajaran yang diberikan.
- Guru bertanya secara acak pada peserta didik
- Peserta didik menjawab pertanyaan guru
3. Guru memberikan kesempatan peserta didik bertanya dengan
menanyakan bagian yang belum dipahami.
- Peserta didik bertanya tentang bagian yang belum dipahami.
B. Mengorganisasi peserta didik dalam belajar
1. Guru memastikan setiap anggota memahami tugas masing-masing

kelompok
- Peserta didik masing-masing membaca dan menganalisis petunjuk
dalam lembar kerja dan mencari referensi dari internet kemudian
masing-masing mencatat pandangannya
C. Membimbing penyelidikan peserta didik secara mandiri maupun

kelompok
1. Guru memantau keterlibatan peserta didik selama pengerjaan masalah

(penyelidikan)
- Kelompok melakukan diskusi untuk menghasilkan resume dari

bahan kajian yang disajikan.
2. Kelompok membuat contoh sebuah data pada kertas yang diberikan

berdasarkan informasi yang sudah dikumpulkan

3. Hasil dikumpulkan
D. Mengembangkan dan Menyajikan Hasil Karya
1. Guru menilai hasil sajian setiap kelompok dan melakukan penyamaan

persepsi
2. Kelompok menyajikan hasil diskusi dan jawaban beserta argumen
pendukung yang mendasari jawaban.
Penutup
1. Peserta didik bersama-sama dengan guru menyimpulkan hasil

pembelajaran 10 Menit
2. Refleksi
3. Melanjutkan Aktivitas selanjutnya
PERTEMUAN 2
Pendahuluan
10 Menit
1. Memberi Salam
pandemi
dicapai
c. Pernahkah kita salah dalam mengambil kesimpulan dari sebuah data ?

d. Apa bahaya nya jika kita sebagai pemimpin, salah dalam mengambil

Inti
160 Menit


4 orang.

kelompok

kelompok

(penyelidikan)



persepsi
Penutup

2. Refleksi

PERTEMUAN 3
Pendahuluan
1. Memberi Salam
pandemi
dicapai
10 Menit
a. Pernahkah kita salah dalam mengambil kesimpulan dari sebuah data ?
b. Apa bahaya nya jika kita sebagai pemimpin, salah dalam mengambil
Inti
160 Menit


4 orang.

kelompok

kelompok

(penyelidikan)



persepsi
Penutup

2. Refleksi
PERTEMUAN 4
Pendahuluan
10 Menit
1. Memberi Salam

pandemi
dicapai
c. Pernahkah kita salah dalam mengambil kesimpulan dari sebuah

informasi tentang Analisa data?
d. apa bahaya nya jika kita sebagai pemimpin, salah dalam mengambil
kesimpulan dari sebuah informasi tentang Analisa data tersebut ?
Inti
160 Menit
E. Orientasi peserta didik pada masalah


4 orang.

Mengorganisasi peserta didik dalam belajar

kelompok
Membimbing penyelidikan peserta didik secara mandiri maupun

kelompok

(penyelidikan)

2. Kelompok membuat contoh kalimat Analisa data pada kertas yang

diberikan berdasarkan informasi yang sudah dikumpulkan
Mengembangkan dan Menyajikan Hasil Karya

persepsi
Penutup

2. Refleksi
PERTEMUAN 5
Pendahuluan
1. Memberi Salam
pandemi
dicapai
10 Menit
e. Pernahkah kita salah dalam mengambil kesimpulan dari sebuah

informasi tentang Analisa data?
f. apa bahaya nya jika kita sebagai pemimpin, salah dalam mengambil
kesimpulan dari sebuah informasi tentang Analisa data tersebut ?
Inti
160 Menit



4 orang.
Mengorganisasi peserta didik dalam belajar

kelompok

Membimbing penyelidikan peserta didik secara mandiri maupun
kelompok

(penyelidikan)

2. Kelompok membuat contoh kalimat Analisa data pada kertas yang

diberikan berdasarkan informasi yang sudah dikumpulkan
Mengembangkan dan Menyajikan Hasil Karya

persepsi
Penutup

2. Refleksi
F. Asesmen
a. Teknik dan bentuk penilaian
Teknik
No Aspek Bentuk Penilaian
Penilaian

1 Sikap Observasi Lembar Pengamatan
2 Pengetahuan Penugasan Penugasan
3 Keterampilan Praktik Lembar penilaian kerja/praktik
b. Kriteria penilaian
1) Penilaian sikap
No Aspek Skor Keterangan

1 Berpikir Peserta didik tidak dapat bernalar kritis dalam
1
Kritis mengemukakan pendapat/gagasan
Peserta didik dapat sedikit bernalar kritis dalam
2
mengemukakan pendapat/gagasan (50% tepat)
Peserta didik dapat bernalar kritis dalam
3
mengemukakan pendapat/gagasan (75% tepat)
Peserta didik dapat bernalar kritis dalam
4
mengemukakan pendapat/gagasan dengan tepat
2 Kreatif Peserta didik tidak ada kreatifitas dalam
1
pembuatan infografis
Peserta didik sedikit memiliki kreatifitas dalam
2
pembuatan infografis
Peserta didik cukup memiliki kreatifitas dalam
3
pembuatan infografis dengan kurang kreatif
Peserta didik sangat kreatif dalam pembuatan
4
infografis dengan kreatif
3 Mandiri 1 Peserta didik tidak terlibat aktif dalam pembuatan

No Aspek Skor Keterangan
infografis
Peserta didik ikut berperan aktif dalam
2
pembuatan infografis (aktif dalam 50% kegiatan)
Peserta didik berperan aktif dalam pembuatan
3
infografis (aktif dalam 75% kegiatan)
Peserta didik berperan aktif dalam pembuatan
4
infografis
Petunjuk Penskoran :
1. Skor akhir menggunakan skala 1 sampai 4
2. Perhitungan skor akhir menggunakan rumus : Nilai = x4

3. Peserta didik memperoleh nilai :
Nilai Score
Sangat baik 3.20 – 4,00 (80 – 100)
Baik 2.8 – 3.19 (70 – 79)
Cukup 2.4 – 2.79 (60 – 69)
Kurang Kurang dari 2.4 (60)

2) Penilaian pengetahuan
a) Penugasan Kelompok
(1) Kisi Kisi
Tujuan Bentuk
No Indikator soal No soal
Pembelajaran soal
1 Memberikan contoh ▪ Peserta didik dapat Uraian 1

kalimat tentang Menjelaskan pengertian
sebuah data. data
▪ Peserta didik dapat
menerjemahkan analisa 2
data
▪ Peserta didik dapat
tentukan inferensi 3
(kesimpulan)
(2) Soal Penugasan
1. Tugas Perorangan
a. Apa yang dimaksud dengan data?
b. Sebutkan tiga jenis data modeling yang umum digunakan!
c. Mengapa Phyton disebut sebagai Bahasa Pemrogaraman Interpreter?
d. Sebutkan dan jelaskan dua jenis perulangan dalam Bahasa Pemrograman
Phyton?
e. Apa fungsi Try-Except pada Bahasa pemrograman Phyton!

2. Tugas kelompok
- Membuat sebuah contoh Bahasa Pemrograman dasar!
G. Remedial dan pengayaan

Dalam kegiatan pembelajaran, peserta didik yang sudah menguasai materi sebelum waktu
yang telah ditentukan, diminta untuk membuat peta konsep terkait materi Informatika dalam
berbagai bidang. Dalam kegiatan ini, guru dapat mencatat dan memberikan tambahan nilai bagi
peserta didik yang berhasil dalam pengayaan.
H. Lembar refleksi peserta didik
Aspek Refleksi Peserta didik

Perasaan dalam belajar Apa yang menyenangkan dalam kegiatan pembelajaran
hari ini?
Makna Apakah aktivitas pembelajaran hari ini bermakna dalam
kehidupan saya?
Penguasaan materi Saya dapat menguasai materi pelajaran pada hari ini
a. Baik
b. Cukup
c. kurang
Keaktifan Apakah saya terlibat aktif dalam pembelajaran hari ini?
Apakah saya menyumbangkan ide dalam proses
pembuatan infografis?
Gotong Royong Apakah saya dapat bekerjasama dengan teman 1
kelompok?

3. LAMPIRAN
A. Lembar kerja peserta didik
Nama Kelompok: ____________________________________
Anggota Kelompok:
1. ______________________________
2. ______________________________
3. ______________________________
4. ______________________________
Rangkuman Hasil Diskusi
No Pertanyaan Jawaban Hasil Diskusi
a. Lembar observasi
LEMBAR PENGAMATAN OBSERVASI DISKUSI KELOMPOK

Profil Pelajar Pancasila
Jumlah Rata-rata
No Nama Peserta Didik Berfikir
Mandiri Kreatif Skor Nilai
kritis
b. LEMBAR PENILAIAN PRAKTI
Mata Pelajaran : Informatika

Kelas : X….

Semester : .....................................................
Aspek Penilaian
No Nama Peserta Didik Individu Kelompok Nilai Nilai Akhir
A B C D A B C LK Diskusi
Kelompok 1
1
2
3
Kelompok 2
1
2
3
4
dst.
3) Indikator Penilaian :
Individu : Kelompok :
4 : Sering 4 : Memuaskan
3 : Kadang-kadang 3 : Baik
2 : Jarang 2 : Cukup
1 : Tidak pernah 1 : Kurang
Keterangan Aspek Penilaian :

A : Mengemukakan ide/gagasan a : Penyelesaian tugas kelompok
B : Menjawab pertanyaan b : Ketepatan hasil diskusi
C : Ketelitian c : Kerjasama kelompok
D : Keterlibatan dalam diskusi
Nilai Individu = x 100
Nilai Kelompok = x 100
Nilai Akhir Diskusi =

B. Glosarium
1. Datum = suatu yang diberikan

2. Unstacked = Tidak di tumpuk
3. Group by : menggabungkan
4. Stack : ditumpuk
5. Scraping : mengumpulkan informasi
6. Unsupported : tidak didukung
7. Data Lake : tempat penyimpanan data
8. Warehouse : gudang data
C. Daftar Pustaka
1. 1. Henry pandia, 2016 .Informatika untuk SMA/MA kelas X. erlangga. Jakarta

2. Novianto Andi, 2016. Sistem Komputer.Erlangga.Jakarta.
3. Modul PKP Informatika
4. www.kompasiana.com
Pematangsiantar, 5 januari 2023
Ka. Kompetensi Keahlian, Guru Mata Pelajaran,
Dra. ROSTATI SARAGIH FRISKHA L. MANURUNG, S.Kom

NIP. 19640410 199103 2 004
Mengetahui;
Kepala SMK Swasta Teladan

Pematangsiantar,
SUDARLIAN, S.Pd., M.Si.

Modul Belajar AD (Analisa Data)

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Belajar AD (Analisa Data)

Diunggah oleh

Hak Cipta:

Format Tersedia

Modul ajar

DATA ANALISA PERKAKAS VISUALISASI

Nama Guru : Friskha Lenny Manurung, S.Kom

C. Profile Pelajar Pancasila

MODUL AJAR – INFORMATIKA ANALISA DATA

A. Memahami Pengertian Data

Berbagai Manfaat dan Fungsi Sebuah Data

MODUL AJAR – INFORMATIKA ANALISA DATA

Siklus Pengolahan data

MODUL AJAR – INFORMATIKA ANALISA DATA

METODE PENGOLAHAN DATA

SINGLE USER PROGRAMMING

MODUL AJAR – INFORMATIKA ANALISA DATA

Pemodelan Data dalam Berbagai Bidang

Apa itu pemodelan data?

Mengapa pemodelan data penting?

Pemodelan data memberikan manfaat berikut:

Apa saja jenis model data?

Model data konseptual

MODUL AJAR – INFORMATIKA ANALISA DATA

Contoh model data konseptual

Model data logis

 Jenis data dari berbagai atribut (misalnya, string atau nomor)

Contoh model data logis

MODUL AJAR – INFORMATIKA ANALISA DATA

Contoh model data fisik

Apa saja jenis teknik pemodelan data?

Pemodelan data hierarkis

Dalam contoh dealer mobil misalnya, kelas induk Showroom akan memiliki

Pemodelan data grafik

Misalnya, satu showroom dapat memiliki beberapa tenaga penjualan, dan satu tenaga

Pemodelan data relasional

MODUL AJAR – INFORMATIKA ANALISA DATA

ID Tenaga Penjualan Nama

ID Mobil Merek Mobil

Pemodelan data hubungan entitas

Pemodelan data berorientasi objek

Pemodelan data dimensional

Misalnya, pada model data dimensional, dealer mobil memiliki dimensi seperti

MODUL AJAR – INFORMATIKA ANALISA DATA

1. Pengertian Analisa Data

2. Fungsi Analisa Data

3. Jenis Analisa Data

Kuantitatif Merupakan jenis analisis yang menggunakan indra dengan

Ada dua macam pembagian yang perlu Anda ketahui, yaitu:

MODUL AJAR – INFORMATIKA ANALISA DATA

b. Analisis data statistik inferensia

C. Perkakas Analisa Data

2. Aktivitas AD-K10-02-P: Mengenal Python

MODUL AJAR – INFORMATIKA ANALISA DATA

a. Cetak Data (print)

MODUL AJAR – INFORMATIKA ANALISA DATA

MODUL AJAR – INFORMATIKA ANALISA DATA

a. Pengertian web Scraping

MODUL AJAR – INFORMATIKA ANALISA DATA

Berikut bagan cara kerja Web Scraping:

c. Mengapa Web Scraping Penting?

Ketika menyampaikan suatu analisis, kebanyakan orang memilih untuk menggunakan

a. Apa Itu Visualisasi Data?

Penggunaan data visualization ini dipercaya bisa mempercepat audiens dalam

MODUL AJAR – INFORMATIKA ANALISA DATA

b. Jenis-Jenis Visualisasi Data

Visualisasi data sementara (temporal data visualizations)