Rangkuman Bab 2 Informatika Chelsea K.L 8B 16

 

Rangkuman Informatika Kelas 8 Bab 2: Data, Keputusan, Impor Kata, dan Cleansing

1. Pengertian Data

Data adalah fakta atau informasi yang belum diolah dan masih dalam bentuk mentah. Data bisa berupa angka, teks, gambar, suara, dan lainnya. Dalam informatika, data merupakan bahan utama yang akan diolah menjadi informasi.

Data dapat diklasifikasikan menjadi beberapa jenis, antara lain:

• Data Numerik: Data berupa angka, misalnya nilai, jumlah, dan statistik.
• Data Kategorikal: Data berupa kategori atau label, misalnya warna, jenis kelamin, atau status.
• Data Teks: Data dalam bentuk tulisan atau kata-kata.
• Data Gambar dan Multimedia: Data berupa gambar, audio, atau video.

Pengolahan data dilakukan agar dapat menghasilkan informasi yang berguna untuk pengambilan keputusan.

2. Keputusan Berbasis Data

Pengambilan keputusan adalah proses memilih salah satu dari beberapa alternatif berdasarkan informasi yang tersedia. Dalam dunia informatika, pengambilan keputusan biasanya dibantu oleh data yang sudah diolah menjadi informasi.

Contohnya, sebuah perusahaan menggunakan data penjualan untuk memutuskan produk mana yang harus ditingkatkan produksinya atau dihentikan. Data yang akurat dan bersih sangat penting agar keputusan yang diambil tepat dan efektif.

Keputusan dapat bersifat:

• Keputusan Terstruktur: Keputusan yang bisa diotomatisasi berdasarkan aturan dan data yang jelas.
• Keputusan Tidak Terstruktur: Keputusan yang membutuhkan analisis lebih mendalam dan tidak bisa sepenuhnya diotomatisasi.

3. Impor Kata dalam Pengolahan Data Teks

Dalam pengolahan data teks, khususnya dalam bidang seperti pemrosesan bahasa alami (Natural Language Processing/NLP), impor kata adalah proses memasukkan kumpulan kata atau data teks ke dalam sistem agar bisa dianalisis.

Impor kata bisa dilakukan dari berbagai sumber, misalnya:

• Dokumen teks (.txt, .docx)
• Spreadsheet
• Database
• Web scraping

Tujuan impor kata adalah agar data teks tersebut bisa diproses, dianalisis, dan digunakan untuk berbagai aplikasi, seperti:

• Pencarian kata kunci
• Analisis sentimen
• Klasifikasi teks
• Penerjemahan otomatis

Dalam proses impor kata, penting untuk memastikan data yang diimpor sudah benar dan lengkap agar analisis menjadi akurat.

4. Cleansing (Pembersihan) Data

Cleansing atau pembersihan data adalah tahap krusial dalam pengolahan data yang bertujuan memastikan bahwa data yang digunakan dalam analisis adalah berkualitas tinggi, akurat, dan siap untuk diolah lebih lanjut. Data yang diimpor dari berbagai sumber sering kali mengandung banyak masalah, seperti data duplikat, data hilang, kesalahan penulisan, dan format yang tidak konsisten. Semua masalah ini jika tidak ditangani dengan baik dapat menyebabkan hasil analisis menjadi salah atau menyesatkan.

Mengapa Cleansing Data Penting?

Data yang kotor atau bermasalah dapat menyebabkan berbagai masalah serius, seperti:

• Kesalahan dalam pengambilan keputusan karena data yang salah atau tidak lengkap.
• Analisis yang bias akibat data duplikat atau data yang tidak relevan.
• Waktu dan sumber daya yang terbuang untuk memperbaiki masalah di tahap akhir.
• Menurunnya kepercayaan pada hasil analisis dan sistem yang digunakan.

Oleh karena itu, cleansing data menjadi proses wajib yang harus dilakukan agar data dapat dipakai secara optimal.

Langkah-langkah Cleansing Data

Berikut adalah beberapa langkah penting dalam proses cleansing data beserta penjelasan dan contohnya:

1. Menghapus Data Duplikat

Data duplikat adalah data yang muncul lebih dari satu kali dalam dataset. Contohnya, seorang pelanggan yang memberikan ulasan yang sama sebanyak dua kali atau data transaksi yang tercatat berulang. Keberadaan data duplikat dapat menyebabkan analisis menjadi tidak akurat, misalnya menghitung jumlah penjualan atau rating produk menjadi berlebihan.

Cara mengatasi:

• Identifikasi data duplikat berdasarkan atribut unik (seperti nomor ID, tanggal, dan nama).
• Hapus data yang sama agar hanya ada satu data yang valid.

Contoh: Jika ada dua data pelanggan dengan nama dan nomor telepon yang sama, salah satunya akan dihapus.

2. Mengisi Data yang Hilang

Dalam dataset, sering ditemukan data yang kosong atau hilang pada beberapa kolom, misalnya tidak semua pelanggan mengisi alamat lengkap atau nomor telepon.

Cara mengatasi:

• Mengisi nilai kosong dengan nilai rata-rata, median, modus (imputasi statistik).
• Mengisi dengan nilai default yang logis.
• Jika data hilang terlalu banyak dan tidak mungkin diisi, data tersebut bisa dihapus jika dianggap tidak relevan.

Contoh: Jika data umur pelanggan hilang, bisa diisi dengan rata-rata umur pelanggan lain.

3. Memperbaiki Kesalahan Penulisan

Kesalahan penulisan (typo) dan inkonsistensi format bisa terjadi terutama pada data teks yang diketik manual. Contohnya, nama produk bisa ditulis “ProdukA”, “produk a”, atau “produka” yang seharusnya sama.

Cara mengatasi:

• Gunakan teknik pemeriksaan ejaan otomatis (spell check).
• Terapkan aturan penulisan baku (case normalization, yaitu mengubah semua huruf menjadi kecil atau besar).
• Gunakan algoritma pencocokan pola (pattern matching) untuk memperbaiki kata yang mirip.

Contoh: Semua kata “ProdukA”, “produka” distandarkan menjadi “produk a”.

4. Standarisasi Format Data

Data yang berasal dari berbagai sumber biasanya memiliki format yang berbeda-beda, misalnya format tanggal yang ada yang menggunakan “DD/MM/YYYY” dan ada yang menggunakan “YYYY-MM-DD”. Angka juga bisa dipisah dengan tanda koma atau titik, tergantung standar regional.

Cara mengatasi:

• Menyatukan format tanggal agar seragam.
• Menyatukan format angka dan satuan.
• Menyamakan format teks agar konsisten.

Contoh: Semua tanggal transaksi distandarkan ke format “YYYY-MM-DD” agar mudah diurutkan.

5. Menghapus Data yang Tidak Relevan

Dalam dataset terkadang terdapat data yang tidak berguna atau mengganggu proses analisis, seperti komentar spam, data tes, atau data yang tidak terkait dengan tujuan analisis.

Cara mengatasi:

• Identifikasi data yang tidak relevan berdasarkan konteks.
• Hapus data tersebut dari dataset.

Contoh: Dalam analisis ulasan pelanggan, komentar yang hanya berisi emotikon tanpa kata-kata bermakna bisa dihapus.

Contoh Implementasi Cleansing Data

Misalnya, sebuah toko online mengumpulkan data transaksi dari berbagai cabang. Dalam data tersebut ditemukan beberapa masalah:

• Beberapa transaksi tercatat dua kali.
• Ada data pelanggan yang tidak mengisi nomor telepon.
• Nama produk ditulis dengan berbagai variasi, misalnya “Kaos Polos”, “kaos polos”, dan “kaosPolos”.
• Format tanggal transaksi berbeda-beda.
• Ada beberapa data tes yang dimasukkan oleh karyawan saat percobaan sistem.

Dengan melakukan cleansing data, toko online tersebut dapat memperbaiki semua masalah di atas agar data transaksi bisa dianalisis dengan benar untuk mengambil keputusan bisnis.

Manfaat Cleansing Data

• Meningkatkan akurasi analisis: Data yang bersih menghasilkan informasi yang valid.
• Mempercepat proses pengolahan data: Data bersih lebih mudah diproses dan dianalisis.
• Meningkatkan kualitas keputusan: Keputusan yang diambil berdasarkan data berkualitas akan lebih tepat dan efektif.
• Mengurangi biaya: Menghindari kesalahan akibat data buruk yang dapat menimbulkan kerugian.

---

Dengan memahami dan melakukan cleansing data dengan benar, kita dapat memastikan bahwa proses pengolahan data berjalan lancar dan hasilnya dapat dipercaya untuk berbagai keperluan, terutama dalam pengambilan keputusan penting.

5. Contoh Aplikasi Data, Keputusan, Impor Kata, dan Cleansing (Pengembangan)

Misalnya, sebuah perusahaan e-commerce ingin meningkatkan kualitas produknya berdasarkan ulasan pelanggan yang dikumpulkan dari berbagai platform, seperti website resmi, media sosial, dan aplikasi mobile. Perusahaan ingin memanfaatkan data ulasan tersebut untuk mengambil keputusan strategis dalam pengembangan produk dan pelayanan pelanggan.

Data

Data yang dimiliki perusahaan berupa ratusan ribu ulasan pelanggan dalam bentuk teks. Ulasan ini berisi berbagai komentar, kritik, dan pujian mengenai produk, layanan pengiriman, serta pengalaman berbelanja secara umum. Data ini bersifat tidak terstruktur karena berupa teks bebas dengan berbagai variasi bahasa, ejaan, dan gaya penulisan.

Impor Kata

Langkah pertama dalam pengolahan data ini adalah mengimpor kata-kata dari ulasan tersebut ke dalam sistem analisis teks. Proses impor ini melibatkan:

• Pengumpulan data dari berbagai sumber seperti file CSV, database, atau API media sosial.
• Ekstraksi teks dari data mentah, misalnya mengambil bagian komentar saja dari metadata yang menyertainya.
• Konversi format agar data teks dapat dibaca oleh program analisis, misalnya mengubah file dokumen ke dalam format teks yang standar.

Impor kata ini penting agar seluruh data yang tersebar di berbagai sumber dapat terkonsolidasi dan siap dianalisis secara terpusat.

Cleansing (Pembersihan Data)

Setelah data berhasil diimpor, tahap selanjutnya adalah cleansing atau pembersihan data, yang meliputi beberapa proses penting:

• Penghapusan data duplikat: Kadang pelanggan mengirim ulasan yang sama lebih dari sekali, atau data yang sama terekam berulang. Data duplikat ini harus dihapus agar tidak mempengaruhi analisis secara tidak proporsional.
• Mengoreksi kesalahan penulisan dan ejaan: Dalam ulasan, sering ditemukan kata-kata yang salah ketik atau slang. Proses ini menggunakan teknik koreksi otomatis dan kamus bahasa agar kata-kata tersebut dikenali dengan benar.
• Penghilangan kata-kata tidak relevan (stop words): Kata-kata umum seperti “dan”, “atau”, “yang” biasanya dihilangkan agar analisis fokus pada kata-kata bermakna.
• Normalisasi teks: Mengubah kata-kata menjadi bentuk dasar (stemming) seperti mengubah “membeli”, “pembelian” menjadi “beli” agar analisis menjadi lebih efisien.
• Penyaringan konten negatif atau spam: Ulasan yang tidak relevan atau spam juga dihapus agar data tetap berkualitas.

Analisis dan Pengambilan Keputusan

Setelah data dibersihkan, langkah berikutnya adalah menganalisis data tersebut untuk mendapatkan insight yang berguna dalam pengambilan keputusan:

• Analisis sentimen: Sistem mengkategorikan ulasan menjadi sentimen positif, negatif, atau netral menggunakan algoritma pemrosesan bahasa alami. Misalnya, kalimat “Produk ini sangat bagus dan awet” masuk kategori positif, sementara “Barangnya rusak dan pengirimannya lama” masuk negatif.
• Ekstraksi kata kunci: Dari ulasan diambil kata kunci yang sering muncul, misalnya “pengiriman”, “kualitas”, “harga”, atau “layanan pelanggan”. Ini membantu perusahaan mengetahui aspek mana yang paling banyak dibicarakan pelanggan.
• Identifikasi masalah utama: Dengan menggabungkan hasil sentimen dan kata kunci, perusahaan bisa mengetahui masalah spesifik yang harus diperbaiki, seperti pengiriman yang lambat, kualitas produk yang kurang, atau pelayanan customer service yang tidak memuaskan.
• Segmentasi pelanggan: Ulasan juga dianalisis berdasarkan kategori pelanggan, misalnya berdasarkan wilayah geografis, usia, atau jenis produk yang dibeli, sehingga keputusan dapat lebih tepat sasaran.

Keputusan

Berdasarkan hasil analisis data ulasan yang sudah melalui proses impor kata dan cleansing, perusahaan mengambil berbagai keputusan strategis, misalnya:

• Perbaikan produk: Memutuskan untuk meningkatkan kualitas bahan baku atau desain produk berdasarkan keluhan yang paling sering muncul.
• Optimalisasi layanan pengiriman: Jika masalah pengiriman menjadi sorotan utama, perusahaan bekerja sama dengan jasa pengiriman yang lebih cepat dan handal.
• Pelatihan layanan pelanggan: Menyediakan pelatihan bagi tim customer service agar dapat menangani keluhan dengan lebih baik.
• Strategi pemasaran yang lebih tepat: Menyesuaikan promosi atau fitur produk sesuai dengan kebutuhan dan preferensi pelanggan yang teridentifikasi dari ulasan.

Dengan menggunakan data yang sudah bersih dan dianalisis dengan baik, keputusan yang diambil perusahaan menjadi lebih berbasis fakta dan mampu meningkatkan kepuasan pelanggan secara nyata. Proses ini juga membantu perusahaan untuk terus berinovasi dan bersaing di pasar yang semakin kompetitif.