1.

Analisis data adalah proses pengolahan data dengan tujuan untuk menemukan

informasi yang berguna yang dapat dijadikan dasar dalam pengambilan keputusan untuk

solusi suatu permasalahan. Proses analisis ini meliputi kegiatan pengelompokkan data

berdasarkan karakteristiknya, melakukan pembersihan data, mentransformasi data, membuat

model data untuk menemukan informasi penting dari data tersebut. Tak lupa data yang sudah

melalui proses tersebut harus disajikan dalam bentuk yang menarik dan mudah dipahami oleh

orang lain biasanya dalam bentuk grafik atau plot.

2. LINE GRAPHS. diagram garis lebih berguna untuk menunjukkan bagaimana kemajuan

data selama beberapa periode (data time series). Sebagai contoh, grafik garis dapat berguna dalam

membuat grafik suhu dari waktu ke waktu, harga saham dari waktu ke waktu, berat menurut hari,

atau metrik berkelanjutan lainnya.

SCATTER PLOT Scatter plot berfungsi baik untuk data dengan dua komponen numerik. Scatter plot
dapat memberikan informasi yang berguna terutama mengenai pola atau pencilan. Pada contoh di
bawah ini, kita memplot diameter dan berat sekumpulan lemon dan jeruk nipis agar dapat melihat
apakah kita dapat menentukan polanya

HEATMAP Heatmap adalah jenis visualisasi yang menggunakan kode warna untuk mewakili nilai /
kepadatan relatif data di seluruh permukaan.

3. Seorang analis data yang baik harus dapat bergerak dan bertindak dalam banyak

disiplin yang berbeda area (multidisiplin). Banyak dari disiplin ilmu ini adalah dasar dari

metode analisis data, dan kemahiran di dalamnya hampir diperlukan. Pengetahuan tentang

disiplin ilmu lain diperlukan tergantung pada bidang aplikasi dan studi proyek analisis data

tertentu, dan secara umum, pengalaman yang cukup di bidang-bidang ini dapat membantu

dalam lebih memahami masalah dan jenis data yang dibutuhkan.

4. Analitik adalah istilah luas yang mencakup proses, teknologi, kerangka kerja, dan

algoritma untuk mengekstrak wawasan yang bermakna dari data. Data mentah itu sendiri tidak

memiliki makna sampai dikontekstualisasikan dan diolah menjadi informasi yang berguna.

Analisis adalah proses mengekstraksi dan membuat informasi dari data mentah ini dengan

memfilter, memproses, mengkategorikan, memadatkan, dan mengontekstualisasikan data.

Informasi yang diperoleh ini kemudian terorganisir dan terstruktur untuk menyimpulkan

pengetahuan tentang sistem dan/atau penggunanya, lingkungannya, dan operasi serta progress

untuk mencapai tujuan, sehingga membuat sistem lebih cerdas dan lebih efisien.

5. 1. Seringkali, masalah utama analisis data, perlu untuk memiliki tim ahli interdisipliner yang dapat
berkontribusi dengan cara terbaik sesuai dengan bidang kompetensi masing-masing.

6. Beberapa tools yang akan dipergunakan selama pembelajaran adalah sebagai berikut:

1. Python

2. Development Environment:

a. Google Colab (https://colab.research.google.com/).

b. Jupyter Notebook (https://jupyter.org/)

3. Library python seperti NumPy, SciPy, Pandas, Matplotlib, Seaborn, Scikit-learn

7. Sementara metodologi SEMMA sesuai dengan namanya melakukan serangkaian kegiatan yang

bersifat siklik (berulang) yaitu:

a. Sample: Proses ekstraksi data untuk mendapatkan dataset yang cukup untuk mendapatkan

informasi signifikan namun tidak terlalu besar sehingga mudah untuk diproses selanjutnya.

b. Explore: Proses untuk mengeksplorasi data dengan mencari trend dan anomali untuk

mendapatkan pemahaman tentang data

c. Modify: Proses modifikasi data dengan membuat, memilih dan transformasi variable untuk

proses pemodelan

d. Model: Proses pemodelan dari data dengan mencari secara otomatis kombinasi data yang

dapat dipakai untuk prediksi

e. Assess: Mengevaluasi pola yang ditemukan apakah berguna dan cukup andal.

8. Dalam membuat visualisasi data haruslah terlihat menarik secara estetika. Tentunya agar

pengguna kita dapat dengan mudah menginterpretasikan hasil analisis kita. Ada banyak sekali jenis

visualisasi data, dari yang sederhana hingga yang kompleks. Setiap jenis visualisasi biasanya lebih
tepat digunakan untuk suatu tujuan tertentuSecara garis besar, ada empat tujuan visualisasi yang

disampaikan oleh Andrew Abela, yaitu Comparison (Perbandingan), Relationship

(Keterhubungan/Relasi), Composition (Komposisi), Distribution (Distribusi). Seperti yang terlihat

pada gambar berikut ini:

9. Penelitian dan analisis data dalam hukum bertujuan untuk menemukan jawaban atas berbagai
permasalahan hukum yang dihadapi masyarakat. Bagi setiap lulusan hukum, kemampuan penelitian
dan analisis hukum merupakan kemampuan dasar yang harus dimiliki. Ini bertujuna untuk

Memperkuat kapasitas ilmuwan untuk melakukan atau melakukan penelitian lebih lanjut.

Memberikan kemampuan lebih besar untuk meneliti hal yang tidak diketahui.

Memberikan lebih banyak kesempatan untuk melakukan penelitian interdisipliner.

AI telah membantu para praktisi hukum bekerja lebih efisien dan efektif. Implementasi AI dalam
bidang hukum memiliki potensi besar untuk membawa perubahan positif, seperti mengurangi beban
kerja, mempercepat pengambilan keputusan, dan meningkatkan kualitas layanan hukum.
Contoohnya sebagai :k emampuan AI yang sangat berguna dalam bidang hukum adalah prediksi hasil
perkara berdasarkan data historis. Dengan menganalisis data dari kasus sebelumnya, AI dapat
memberikan gambaran mengenai hasil yang mungkin terjadi pada kasus yang sedang dihadapi.

Sebagai contoh, kecerdasan buatan atau artificial intelligence (AI) dan big data dapat digunakan
untuk menganalisis data hukum dan memprediksi hasil kasus hukum tertentu. Namun, penggunaan
teknologi ini harus diimbangi dengan kaidah-kaidah hukum yang jelas dan tegas