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
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
Mengapa AD?
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_Defi
nition_ISTE.pd
Mengapa Analisis Data Penting?

(Russel Ackoff,1989) (Gupta, 2020)

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.
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
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
“Analisis data” dapat dilakukan jika data ada
Data Input - HOTS exercice
Nah, ini baru
• Data yang dibutuhkan bisa sedikit atau banyak. Tentu, siswa akan belajar berjenjang
• Banyak volumenya
untuk input!
• 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
Siklus Pengolahan Data

Pengumpulan
Data

Publikasi Pengolahan
Hasil Data

Analisis dan
Visualisasi
Interpretasi
Data
Data
Capaian Pembelajaran & Struktur Materi
Analisis Data dalam Fase E
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).
Peta Konsep Materi AD dalam Fase E
Deskripsi Ringkas Materi AD dalam Fase E
No Konsep
1. Pengertian & Arti Penting Data,
Privasi Data, Keamanan Data,
serta Analisis Data
2. Siklus Pengolahan Data
3. Otomatisasi Pengolahan Data
4 Strategi Pengolahan Data
Bervolume Besar/Sedang
dan/atau Kompleks
Deskripsi ringkas
● Arti data
● Berbagai tipe dan format data
● Privasi Data
● Keamanan Data
● Analisis data dan arti pentingnya
● Pengertian siklus pengolahan data
● Tahapan dalam siklus pengolahan data yang mencakup
pengumpulan, pengolahan, visualisasi, analisis dan
interpretasi, serta publikasi hasil pengolahan data
● Pengertian otomatisasi pengolahan data
● Pengenalan perkakas otomatisasi pengolahan data
● Penggunaan perkakas untuk melakukan otomatisasi
pengolahan data
● Pengertian volume dan kompleksitas data
● Pengertian strategi pengolahan data volume
besar/sedang dan/atau kompleks
● Integrasi strategi dalam praktik penyelesaian kasus
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.
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
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
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 .
Beberapa Prinsip Pembelajaran AD
 Learning Progression AD
• Untuk dapat mencapai CP Aspek Fase D Kelas VII Fase D Kelas VIII Fase E
yang ditetapkan dalam
elemen AD, perlu Volume Kecil (jumlah baris ≤ 50) Lebih besar (jumlah baris > 50) Besar (jumlah baris >100)
diperhatikan learning data
progression pada setiap Lebih kompleks, perlu
jenjang
Struktur Linier (bukan hirarkis) Lebih kompleks, perlu hide/show/freeze untuk
hide/show/freeze untuk menampilkannya
• menampilkannya
Manfaat variasi volume
Agar peserta didik mampu
dan kompleksitas struktur:
Tujuan Agar peserta didik fokus pada Agar peserta didik mampu mengolah data yang lebih
pengolahan data kecil mengolah data yang lebih besar dengan
⮚ bagi peserta didik:
tersebut, misalnya dapat besar, namun memulainya memanfaatkan perkakas
ditantang untuk
mengecek kebenaran suatu dengan data yang berukuran yang bisa mengotomasi satu
mengerjakan berbagai
rumus. kecil. Ketika mengolah data, atau beberapa proses
level kesulitan
jika semua rumus sudah benar pengolahan data.
persoalan.
Dengan menguasai pengolahan maka data baru ditambah.
⮚ bagi guru:
data kecil, peserta didik dapat
mempraktekkan
membuat uji kasus (test case)
pembelajaran yang untuk mengecek kebenaran
berdiferensiasi suatu rumus.
Learning Progression AD
Pendekatan Pembelajaran AD
• Unplugged: tanpa menggunakan • Plugged: menggunakan perangkat
komputer bantu komputer

Gambar diambil dari https://www.linkedin.com/pulse/5-great-ict-tools-teaching-

maths-michael-hilkemeijer
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.
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.
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
Contoh Kasus dalam Pembelajaran AD
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
Projek
(NH) dengan ketentuan sebagai berikut: AD
80.00 < NA <= 100.00 : A Fase D
70.00 < NA <= 80.00 : B
60.00 < NA <= 70.00 : C
NA < 60.00 : D

Ketiga guru tersebut bersepakat untuk melakukan analisis bersama- Projek

sama untuk mendapatkan beberapa informasi tentang capaian peserta
didik. Maka data nilai hasil ketiga kelas paralel telah digabungkan
AD
menjadi satu tabel yang dibuat menggunakan aplikasi pengolah lembar Fase E
kerja dan disimpan di komputer lokal dengan nama file
Nilai_Siswa.xlsx.
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
Bisa dicoba untuk dianalisis & divisualisasikan setiap kelas? Manakah kelas dengan rata-rata
memakai aplikasi pengolah lembar kerja atau tertinggi? Manakah kelas dengan rata-rata
bahasa pemrograman yang telah Anda pelajari di terendah?
Modul AP
Format Data & Tindak Lanjut
Format Data
Non digital (tertulis di kertas,
rekaman wawancara, dsb).
File MS Excel, CSV, atau
JSON
Laman web
Langkah Tindak Lanjut
Mengubah bentuk data dari non digital menjadi digital
berbentuk file lembar kerja MS Excel atau CSV.
Membaca file menggunakan perkakas pengolah data
yang dipilih dan melakukan analisis.
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).
Tugas Kelompok Bimtek:
Projek AD
Sumber Data untuk Projek AD
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.
 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

 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

https://careerfoundry.com/en/blog/data-analytics/inspirational-data-quotes/
 ☺☺☺
Selamat mendalami materi,
menemukan makna, dan
menjadi bermakna
☺☺☺