Isi, Amplop, dan Alamat

Ba­yang­kan Anda me­ngi­rim surat pen­ting lewat pos. Isinya bisa sangat ber­harga, tetapi surat itu tetap butuh amplop yang tidak robek dan alamat yang di­tu­lis dengan urutan yang benar. Amplop yang salah mem­buat isinya rusak di jalan, se­dang­kan alamat yang ter­ba­lik mem­buat surat tiba di kota lain. Data bio­logi be­kerja dengan cara yang sama. Ada isi (pe­nga­ma­tan, se­kuens, foto), ada wadah (format berkas), dan ada ke­te­ra­ngan yang men­je­las­kan dari mana isi itu be­ra­sal (me­ta­data).

Per­te­muan 1 mem­ba­has hie­rarki data, in­for­masi, dan pe­nge­ta­huan. Di per­te­muan ini per­ha­tian kita ber­ge­ser ke data itu sen­diri: ben­tuk­nya, wa­dah­nya, dan ke­te­ra­ngan­nya. Anda akan be­la­jar me­nge­nali ting­kat struk­tur data, mem­baca format yang paling sering di­pa­kai di bio­logi, me­nu­lis me­ta­data, dan me­mi­lih sumber data yang tepat. Ke­te­ram­pi­lan ini di­pa­kai oleh dua prodi dengan tujuan yang se­di­kit ber­beda, jadi modul ini selalu me­nyan­ding­kan ke­dua­nya.

Bagi calon guru, ala­san­nya ter­tu­lis di ku­ri­ku­lum. Ca­paian Pem­be­la­ja­ran Bio­logi Fase F me­minta siswa “me­ngum­pul­kan serta men­ca­tat data secara sis­te­ma­tis dan akurat” (Ke­men­dik­bu­dris­tek, 2022). Guru perlu me­ngua­sai lebih dulu apa yang akan ia ajar­kan, ter­ma­suk cara me­nyim­pan dan men­je­las­kan data yang di­ca­tat sis­wa­nya.

Catatan: CP terbaru ditetapkan dalam Keputusan Kepala BSKAP 046/H/KR/2025. Cocokkan bunyi kutipan di atas dengan lampiran keputusan itu sebelum dipakai dalam perangkat ajar.

Apersepsi: mana yang bisa langsung dihitung?

Per­ha­ti­kan tiga berkas di bawah ini. Ke­ti­ga­nya be­ra­sal dari ke­gia­tan bio­logi yang biasa, tetapi tidak se­mua­nya bisa lang­sung Anda olah dengan rumus. Tebak dulu se­be­lum mem­buka pem­ba­ha­san.

Jenis dan Struktur Data: Dari Skema Kaku sampai Tanpa Skema

1.1 Data sebagai bukti ilmiah

Chap­man (2005) me­ngi­ngat­kan satu hal yang mudah ter­lupa: ca­ta­tan ke­be­ra­daan spe­sies bisa men­jadi satu-sa­tu­nya bukti bahwa spe­sies itu pernah hidup di ha­bi­tat yang kini sudah hilang. Hutan bisa be­ru­bah men­jadi kebun, sungai bisa di­lu­rus­kan, tetapi baris data yang di­ca­tat dengan baik tetap ber­ce­rita. Karena itu, cara data di­sim­pan dan di­je­las­kan sama pen­ting­nya dengan cara data di­kum­pul­kan. Pe­nga­ma­tan yang di­ker­ja­kan dengan teliti di la­pa­ngan bisa ke­hi­la­ngan ni­lai­nya hanya karena ber­kas­nya rusak atau tidak ada yang tahu arti ko­lom­nya.

1.2 Tiga tingkat struktur

Data bisa di­tem­pat­kan pada sebuah ren­tang, dari yang ber­skema kaku sampai yang tidak ber­skema sama sekali. Data ter­struk­tur ter­su­sun dalam baris dan kolom tetap, dengan satu jenis nilai per kolom, se­hingga bisa lang­sung di­hi­tung di spread­sheet. Data semi-ter­struk­tur punya pe­nanda se­perti tag, kunci, atau simbol, tetapi tidak ber­ben­tuk tabel kaku. Data tidak ter­struk­tur tidak punya skema dan perlu ano­tasi atau me­ta­data se­be­lum dia­na­li­sis.

Ketiga ting­kat ini muncul di la­bo­ra­to­rium riset maupun di kelas. Tabel di bawah me­nyan­ding­kan con­toh­nya. Per­ha­ti­kan bahwa ekspor dari apli­kasi yang di­pa­kai guru setiap hari pun bisa di­go­long­kan dengan cara yang sama.

Satu berkas bahkan bisa memuat dua ting­kat se­ka­li­gus. Kolom isian bebas di Google Forms adalah teks tidak ter­struk­tur yang ter­sim­pan di dalam tabel CSV yang ter­struk­tur. Saat me­nga­na­li­sis angket, kolom se­perti itu perlu dibaca dan di­ko­de­kan dulu se­be­lum bisa di­hi­tung.

1.3 Struktur bergantung pada tahap pengolahan

Ting­kat struk­tur bukan sifat yang me­le­kat se­la­ma­nya pada data. Satu berkas FASTQ ber­si­fat semi-ter­struk­tur karena berisi bacaan se­kuens mentah dengan pe­nanda di setiap re­ka­man. Se­te­lah bacaan se­kuens di­hi­tung per gen, ha­sil­nya men­jadi tabel ter­struk­tur yang bisa dibuka di Excel. Dengan kata lain, data yang sama bisa ber­pin­dah ting­kat, dan tujuan akhir­nya hampir selalu tabel yang rapi dan siap di­hi­tung.

1.4 Bentuk tabel yang ideal: tidy data

Wic­kham (2014) me­na­mai bentuk tabel yang paling mudah diolah se­ba­gai tidy data. Atu­ran­nya tiga: setiap va­ria­bel satu kolom, setiap pe­nga­ma­tan satu baris, dan setiap jenis unit pe­nga­ma­tan satu tabel. Aturan ini ter­de­ngar sepele, tetapi banyak tabel yang kita temui sehari-hari me­lang­gar­nya karena di­su­sun untuk enak dibaca, bukan untuk di­hi­tung.

Contoh yang paling sering adalah tabel sta­tis­tik ber­ben­tuk lebar, mi­sal­nya tabel BPS yang men­ja­di­kan tahun se­ba­gai judul kolom. Pada bentuk lebar, nilai tahun (2023, 2024) ter­sim­pan se­ba­gai nama kolom, pa­da­hal tahun adalah va­ria­bel. Bentuk tidy me­min­dah­kan­nya men­jadi satu kolom Tahun se­hingga setiap baris be­rarti satu ka­bu­pa­ten pada satu tahun.

1.5 Data khusus dalam biologi

Selain tabel biasa, bio­logi punya be­be­rapa jenis data khusus dengan format ba­ku­nya sen­diri. Oku­rensi bio­di­ver­si­tas adalah jenis yang paling sering di­pa­kai ma­ha­siswa bio­logi la­pa­ngan, dan stan­dar­nya, Darwin Core, akan di­ba­has lagi di Bab 3.

1.6 Kesalahan GeoJSON yang paling sering: koordinat terbalik

Data spa­sial punya je­ba­kan kecil yang aki­bat­nya besar. Stan­dar GeoJSON (RFC 7946) me­nu­lis koor­di­nat dengan urutan [bujur, lin­tang], sama se­perti me­nu­lis titik (x, y) pada grafik: sumbu men­da­tar dulu, baru sumbu tegak. Kota Medan berada di se­ki­tar 3,59° LU dan 98,67° BT, jadi pe­nu­li­san yang benar adalah [98.67, 3.59].

Format Berkas: Setiap Wadah Punya Aturan

Setiap format berkas punya spe­si­fi­kasi, se­ma­cam tata bahasa yang me­nen­tu­kan ba­gai­mana isi harus di­tu­lis dan dibaca. Pro­gram yang mem­buka berkas me­ngi­kuti tata bahasa itu. Jika kita tidak tahu atu­ran­nya, kita bisa salah mem­baca isi berkas, atau lebih buruk lagi, me­ru­sak­nya tanpa sadar saat mem­buka dan me­nyim­pan ulang. Bab ini mem­ba­has format yang paling sering Anda temui: CSV dan TSV, XLSX, JSON, XML, FASTA, dan FASTQ, di­tam­bah format data dari kelas sen­diri.

2.1 CSV dan TSV: teks polos berpemisah

CSV (comma-separated values) adalah teks polos dengan koma se­ba­gai pe­mi­sah kolom. Spe­si­fi­ka­si­nya, RFC 4180, me­nga­tur tiga hal pokok: satu re­ka­man per baris, baris judul boleh ada, dan isian yang me­ngan­dung koma atau tanda kutip harus diapit tanda kutip ganda. Tanda kutip yang muncul di dalam isian di­tu­lis dua kali. Karena berupa teks polos, CSV bisa dibuka dengan No­te­pad, Excel, R, atau pro­gram lain tanpa pe­rang­kat lunak khusus.

occurrenceID,scientificName,decimalLatitude,decimalLongitude,eventDate,locality
UNIMED-BIO-0001,Rasbora sumatrana,3.5652,98.6560,2026-03-14,"Sungai Deli, Medan"
UNIMED-BIO-0002,Barbodes binotatus,3.5701,98.6612,2026-03-14,"Sungai Deli, ""titik 2"""

TSV me­ma­kai tab se­ba­gai pe­mi­sah, se­hingga aman untuk nama lokasi yang me­ngan­dung koma. Ada satu hal yang sering me­nge­coh: un­du­han GBIF format “Simple” se­be­nar­nya ber­pe­mi­sah tab wa­lau­pun nama ber­kas­nya be­ra­khi­ran .csv. Inilah se­bab­nya berkas itu tampak be­ran­ta­kan bila dibuka dengan klik dua kali, dan cara mem­bu­ka­nya yang benar di­ba­has di Prak­tik C1.

2.2 XLSX: praktis, tetapi bisa mengubah isi

XLSX adalah paket zip berisi berkas-berkas XML (stan­dar ECMA-376). For­mat­nya men­du­kung banyak sheet, rumus, dan va­li­dasi, dengan batas 1.048.576 baris per sheet. Ke­le­ma­han­nya ada pada ke­bia­saan Excel me­ngu­bah isian secara oto­ma­tis. Zie­mann, Eren, dan El-Osta (2016) me­ne­mu­kan nama gen se­perti SEPT2 dan MARCH1 be­ru­bah men­jadi tang­gal di berkas lam­pi­ran pada se­ki­tar se­per­lima ar­ti­kel yang memuat daftar gen.

Ma­sa­lah ini begitu luas se­hingga komite no­men­kla­tur gen ma­nu­sia akhir­nya meng­ganti nama be­be­rapa gen, mi­sal­nya SEPT1 men­jadi SEPTIN1 (Bru­ford dkk., 2020). Ketika sebuah komite in­ter­na­sio­nal me­ngu­bah nama gen demi me­nye­suai­kan diri dengan pe­ri­laku spread­sheet, pe­san­nya jelas bagi kita: simpan data mentah juga dalam CSV, dan jangan ja­di­kan XLSX satu-sa­tu­nya sa­li­nan.

2.3 JSON dan XML: data sama, wadah berbeda

JSON (RFC 8259) ter­su­sun dari objek { } yang berisi pa­sa­ngan nama dan nilai, serta larik [ ] untuk daftar. For­mat­nya di­pa­kai luas oleh API, ter­ma­suk API GBIF dan NCBI. XML me­ma­kai elemen ber­sa­rang dengan tag pem­buka dan pe­nu­tup, dan di­pa­kai untuk me­ta­data EML serta re­ka­man PubMed. Ban­ding­kan kedua contoh di bawah dengan baris CSV di Gambar 6: da­ta­nya sama, wa­dah­nya ber­beda.

{
  "occurrenceID": "UNIMED-BIO-0001",
  "scientificName": "Rasbora sumatrana",
  "decimalLatitude": 3.5652,
  "decimalLongitude": 98.6560,
  "eventDate": "2026-03-14",
  "basisOfRecord": "HumanObservation",
  "individualCount": 12
}

<?xml version="1.0" encoding="UTF-8"?>
<occurrence id="UNIMED-BIO-0001">
  <scientificName>Rasbora sumatrana</scientificName>
  <eventDate>2026-03-14</eventDate>
  <basisOfRecord>HumanObservation</basisOfRecord>
</occurrence>

2.4 FASTA: baris judul, lalu sekuens

Satu re­ka­man FASTA ter­diri atas baris judul yang dia­wali tanda >, lalu satu atau lebih baris se­kuens. Se­kuen­snya boleh me­nyam­bung di be­be­rapa baris. For­mat­nya se­der­hana dan mudah dibaca dengan editor teks biasa, tetapi FASTA tidak me­nyim­pan in­for­masi kua­li­tas. Karena itu, data mentah yang keluar lang­sung dari mesin se­kuen­sing me­ma­kai format lain, yaitu FASTQ.

>UNIMED_S01_COI_ilustratif Rasbora sp. fragmen COI (contoh mengajar)
ATGGCACACCCTACAATAGGAACCCTATACTTTATTTTCGGAGCATGAGCCGGAATAGTA
GGAACCGCCCTAAGCCTACTTATTCGAGCAGAACTCAGCCAGCCAGGAGCCCTGCTAGG

2.5 FASTQ dan skor kualitas Phred

FASTQ adalah format baku ke­lua­ran mesin se­kuen­sing (Cock dkk., 2010). Setiap re­ka­man ter­diri atas empat baris: judul yang dia­wali @, se­kuens, baris +, dan string kua­li­tas. Pan­jang string kua­li­tas wajib sama dengan pan­jang se­kuens, karena setiap basa punya tepat satu ka­rak­ter kua­li­tas. Pada contoh di bawah, ke­dua­nya sama-sama 12 ka­rak­ter.

@UNIMED_read001 contoh ilustratif   baris 1 · judul
ACGTTAGCCATG                        baris 2 · sekuens
+                                   baris 3 · pemisah
IIIIIHHG?5#!                        baris 4 · kualitas

Setiap ka­rak­ter kua­li­tas me­wa­kili skor Phred Q, dengan rumus Q = -10 log₁₀(P), dan P adalah pe­luang basa itu salah baca. Pada pe­ngo­dean Sanger atau Phred+33, yang juga di­pa­kai Il­lu­mina 1.8 ke atas, Q sama dengan kode ASCII ka­rak­ter di­ku­ra­ngi 33. Ambil ka­rak­ter I se­ba­gai contoh: kode ASCII-nya 73, jadi Q = 73 – 33 = 40, dan P = 10^-40/10 = 0,0001.

Pola pada contoh ini, kua­li­tas tinggi di awal lalu turun di ujung 3′, adalah pola khas bacaan se­kuen­sing. Itulah se­bab­nya ujung bacaan bia­sa­nya di­pang­kas se­be­lum ana­li­sis. Anda akan meng­hi­tung sen­diri skor Q se­lu­ruh string ini di Prak­tik C4.

2.6 Format data dari kelas sendiri

Se­ko­lah · Pen­di­di­kan Bio­logi Guru juga be­ru­ru­san dengan format berkas setiap minggu, hanya saja wa­dah­nya datang dari apli­kasi kelas. Me­nge­nali for­mat­nya mem­bantu calon guru me­mi­lih cara me­ngo­lah dan me­nyim­pan data siswa.

Metadata, Lisensi, dan Etika Data

Kem­bali ke surat di Pe­ngan­tar. Isi dan amplop sudah kita bahas, se­ka­rang gi­li­ran alamat dan pe­rangko. Me­ta­data adalah ke­te­ra­ngan yang mem­buat data bisa di­te­mu­kan dan di­pa­kai ulang. Li­sensi men­ja­wab siapa boleh me­ma­kai data itu dan dengan syarat apa. Etika data me­ngi­ngat­kan bahwa di balik se­ba­gian data ada pihak yang bisa di­ru­gi­kan bila da­ta­nya ter­se­bar: spe­sies yang diburu, atau siswa yang iden­ti­tas­nya ter­buka.

3.1 Metadata: data tentang data

Me­ta­data men­ja­wab enam per­ta­nyaan ten­tang sebuah da­ta­set: siapa yang me­ngum­pul­kan, apa yang di­kum­pul­kan, di mana, kapan, ba­gai­mana ca­ra­nya, dan dengan li­sensi apa. Tanpa me­ta­data, angka di tabel tidak bisa di­pa­kai ulang karena tidak ada yang tahu cara angka itu di­pe­ro­leh. Ba­yang­kan me­ne­mu­kan tabel berisi kolom “t1, t2, t3” di folder lama: tanpa ke­te­ra­ngan, Anda tidak tahu apakah itu tinggi ta­na­man, suhu, atau waktu.

3.2 Standar metadata dalam biologi

Agar ke­te­ra­ngan bisa dibaca mesin dan di­pa­hami pe­ne­liti lain, bio­logi me­ma­kai be­be­rapa stan­dar me­ta­data. Masing-masing dibuat untuk jenis data yang ber­beda. Stan­dar yang paling dekat dengan Anda adalah baris te­ra­khir, yaitu README dan kamus data untuk proyek sen­diri.

3.3 Istilah Darwin Core yang wajib dikenal

Darwin Core di­pa­kai pada data GBIF yang akan Anda unduh di Prak­tik C1, jadi be­be­rapa is­ti­lah­nya perlu di­ke­nali sejak se­ka­rang. Coba hu­bung­kan dengan contoh JSON di Bab 2: basisOfRecord = HumanObservation, eventDate = 2026-03-14, decimalLatitude = 3.5652, dan decimalLongitude = 98.6560.

3.4 Padanan Darwin Core di sisi pendidikan

Se­ko­lah · Pen­di­di­kan Bio­logi Dunia pen­di­di­kan punya “sau­dara” Darwin Core. Sumber be­la­jar se­perti LKPD, video, dan modul ajar bisa di­je­las­kan dengan LRMI, yang di­ke­lola DCMI dan me­ma­kai ko­sa­kata schema.org. Data pe­ne­li­tian pen­di­di­kan, mi­sal­nya data PTK, angket, dan nilai, di­je­las­kan dengan codebook dan README. Co­de­book memuat nama va­ria­bel, teks per­ta­nyaan, kode nilai, dan kode data hilang.

"@type": "LearningResource",
"name": "LKPD Ekosistem Halaman Sekolah",
"learningResourceType": "activity plan",
"educationalLevel": "Fase E, Kelas X",
"teaches": "[tujuan pembelajaran]",
"timeRequired": "PT90M",
"inLanguage": "id",
"license": "CC BY 4.0"

3.5 Cek lisensi sebelum memakai ulang

Data dan bahan ajar yang mudah diun­duh belum tentu boleh di­pa­kai ulang sesuka hati. Se­be­lum me­ma­kai se­suatu, ajukan tiga per­ta­nyaan: siapa pe­me­gang haknya, apa li­sen­si­nya, dan apa sya­rat­nya. Contoh dari dua prodi di bawah me­nun­juk­kan bahwa li­sensi me­nen­tu­kan data mana yang bisa me­nga­lir ke re­po­si­tori dan bahan mana yang boleh diubah.

Untuk LKPD buatan sen­diri, tulis li­sen­si­nya secara jelas, mi­sal­nya CC BY 4.0, supaya guru lain tahu bahwa mereka boleh me­ma­kai dan me­ngu­bah­nya asal­kan men­can­tum­kan nama Anda. Ma­ha­siswa Bio­logi me­la­ku­kan hal yang sama untuk da­ta­set: li­sensi di­tu­lis di README dan di ha­la­man re­po­si­tori.

3.6 Data sensitif di dua konteks

Dua prodi meng­ha­dapi ma­sa­lah yang se­be­nar­nya sama: ba­gai­mana mem­ba­gi­kan data tanpa me­ru­gi­kan pihak yang te­re­kam di da­lam­nya. Di riset, pihak itu adalah spe­sies yang te­ran­cam. Di se­ko­lah, pihak itu adalah siswa.

Aturan ini juga ber­laku di prak­ti­kum kampus. Sidik jari pada prak­ti­kum der­ma­to­glifi adalah data bio­me­trik, meski pe­ser­ta­nya ma­ha­siswa dewasa. Jadi ma­ha­siswa Bio­logi pun perlu ber­hati-hati ketika prak­ti­kum­nya me­li­bat­kan data tubuh ma­nu­sia.

3.7 Enam langkah mengumpulkan data siswa dengan aman

Se­ko­lah · Pen­di­di­kan Bio­logi Saat PLP, PTK, atau skripsi, Anda mung­kin perlu me­ngum­pul­kan data dari siswa. In­do­ne­sia belum punya pe­do­man teknis ano­ni­mi­sasi, se­hingga lang­kah di bawah me­ma­du­kan UU PDP dengan pe­do­man in­ter­na­sio­nal dari ICO Ing­gris (2025).

Sumber Data Biologi: Nasional, Internasional, Rekaman, dan Agregat

Tidak semua data harus Anda kum­pul­kan sen­diri. Banyak lem­baga sudah me­nye­dia­kan data oku­rensi, se­kuens, dan sta­tis­tik yang bisa diun­duh. Tan­ta­ngan­nya adalah me­mi­lih sumber yang sesuai dengan per­ta­nyaan, lalu me­ma­hami ting­kat da­ta­nya. Se­perti ber­be­lanja bahan ma­sa­kan, Anda perlu tahu apakah yang dijual itu bahan mentah per butir atau ma­sa­kan jadi dalam satu porsi.

4.1 Lima sumber data biologi

4.2 Tingkat rekaman atau agregat?

Data GBIF berada di ting­kat re­ka­man: satu baris be­rarti satu pe­nga­ma­tan dan satu titik di peta. Data BPS dan Satu Data ber­ben­tuk agre­gat: satu angka me­wa­kili satu pro­vinsi atau satu tahun. Dari re­ka­man kita bisa mem­buat agre­gat, mi­sal­nya meng­hi­tung jumlah temuan per ka­bu­pa­ten. Se­ba­lik­nya, agre­gat tidak bisa diurai kem­bali men­jadi re­ka­man. Per­be­daan ini me­nen­tu­kan ana­li­sis apa yang bisa di­la­ku­kan.

4.3 Data pendidikan: satu sumber, empat tingkat

Se­ko­lah · Pen­di­di­kan Bio­logi Pola re­ka­man dan agre­gat juga ter­li­hat jelas pada data pen­di­di­kan. Data siswa di In­do­ne­sia me­nga­lir dari ting­kat re­ka­man yang ter­tu­tup sampai agre­gat yang ter­buka untuk umum.

Contoh di ting­kat in­ter­na­sio­nal adalah PISA. Skor sains In­do­ne­sia di PISA 2025 adalah 389, se­dang­kan pada PISA 2022 skor­nya 383 (OECD, 2026). Angka itu agre­gat, tetapi di balik angka se­perti itu bia­sa­nya ada mi­kro­data per siswa yang di­ba­gi­kan OECD se­te­lah iden­ti­tas­nya di­le­pas (ke­ter­se­diaan mi­kro­data PISA 2025 perlu dicek di situs OECD). Inilah yang mem­be­da­kan data riset pen­di­di­kan yang baik dari ekspor nilai di kelas: iden­ti­tas siswa sudah di­le­pas se­be­lum data di­ba­gi­kan.

4.4 Dari halaman sekolah ke GBIF: sains warga

Data ting­kat re­ka­man tidak hanya di­ha­sil­kan pe­ne­liti. Pe­nga­ma­tan siswa di ha­la­man se­ko­lah pun bisa sampai ke GBIF lewat plat­form sains warga se­perti iNaturalist, asal­kan me­me­nuhi syarat mutu dan li­sen­si­nya.

Me­ngapa ini re­le­van? Me­nu­rut la­po­ran ak­ti­vi­tas GBIF untuk In­do­ne­sia, da­ta­set eBird saja memuat 1.542.907 re­ka­man ten­tang In­do­ne­sia, hampir setara dengan se­lu­ruh 1.644.653 re­ka­man yang di­ter­bit­kan pe­ner­bit In­do­ne­sia (GBIF, 2026). Kelas yang men­ca­tat data dengan baik ikut me­nam­bah data kea­ne­ka­ra­ga­man hayati dari dalam negeri.

Praktik C1 sampai C4: Mengunduh, Membuka, dan Membaca Berkas

Bagian ini me­ngu­bah teori men­jadi ke­bia­saan tangan. Anda be­kerja ber­pa­sa­ngan selama 30 menit dan me­ngisi LK-03 bagian 1 sampai 3. Pas­ti­kan laptop ter­hu­bung ke in­ter­net dan Excel ter­se­dia. Sambil me­nunggu email dari GBIF di C1, pa­sa­ngan Anda bisa lanjut ke C2.

C1. Mengunduh dan membuka data okurensi GBIF

1. Buat akun. Buka gbif.org, klik Login › Re­gis­ter. Akun gratis di­per­lu­kan untuk me­ngun­duh.
2. Cari oku­rensi. Buka menu Get data › Oc­cur­ren­ces. Tam­bah­kan filter Scien­ti­fic name (mi­sal­nya Ras­bora), Country or area = In­do­ne­sia, dan Ad­mi­nis­tra­tive area = Su­ma­tera Utara.
3. Amati tam­pi­lan. Buka tab Table dan Map. Catat jumlah re­ka­man, kolom yang muncul, dan se­ba­ran titik di peta.
4. Unduh. Klik Dow­nload, pilih format Simple. Tunggu email dari GBIF, lalu unduh berkas .zip.
5. Catat DOI. Salin DOI dari ha­la­man un­du­han ke LK-03. DOI ini wajib di­si­tasi bila data di­pa­kai, dan ter­ma­suk kri­te­ria pe­ni­laian LK-03.
6. Buka dengan benar di Excel. Lihat lang­kah rinci di bawah.

Tampilan GBIF dapat berubah. Jika nama menu berbeda, cari fitur yang setara: pencarian okurensi, filter, lalu unduh.

C2. Mengunduh sekuens dari NCBI dalam format FASTA

1. Cari di Nu­cleo­tide. Buka ncbi.nlm.nih.gov, pilih basis data Nu­cleo­tide, ketik mi­sal­nya Ras­bora COI.
2. Buka satu re­ka­man. Klik salah satu hasil. Per­ha­ti­kan nomor aksesi, or­ga­nisme, pan­jang se­kuens, dan re­fe­ren­si­nya.
3. Unduh FASTA. Klik Send to › File › Format: FASTA › Create File.
4. Buka di editor teks. Buka berkas dengan No­te­pad. Tun­juk­kan baris judul yang dia­wali > dan baris se­kuen­snya.

C3. Melihat JSON dari API GBIF

1. Ketik alamat API di brow­ser:

https://api.gbif.org/v1/species/match?name=Rasbora%20sumatrana

2. Iden­ti­fi­kasi struk­tur. Tandai pa­sa­ngan nama dan nilai, mi­sal­nya “scientificName”, “rank”, “status”, dan “matchType”. Ban­ding­kan dengan tabel CSV dari C1: data yang sama, wadah ber­beda.

C4. Membaca skor kualitas FASTQ di Excel

Di pro­se­dur ini Anda meng­hi­tung sen­diri skor Q dari string kua­li­tas Contoh 3.5, IIIIIHHG?5#!. Susun sheet se­perti tabel di bawah. Tabel hanya me­nam­pil­kan rumus, bukan ha­sil­nya, supaya Anda meng­hi­tung­nya sen­diri untuk LK-03 bagian 3.

1. Ketik string kua­li­tas. Di sel A2 ketik IIIIIHHG?5#!.
2. Pecah per ka­rak­ter. Ketik angka 1 sampai 12 di B1:M1, lalu di B2 ketik =MID($A$2;B$1;1).
3. Hitung skor Q. Di B3 ketik =CODE(B2)-33.
4. Hitung pe­luang salah baca. Di B4 ketik =10^(-B3/10).
5. Salin ke kanan dan buat grafik. Salin B2:B4 sampai kolom M. Buat grafik garis dari baris Q untuk me­li­hat pe­nu­ru­nan kua­li­tas di ujung bacaan.

Dari Mengenali ke Mendokumentasikan: Aktivitas dan Tugas Pertemuan 3

Semua alat di modul ini di­pa­kai di kelas dan di tugas. Di tatap muka, Anda meng­kla­si­fi­ka­si­kan kartu data, me­me­riksa ja­wa­ban AI ter­ha­dap sumber, dan me­nyu­sun ren­cana Cri­ti­cal Book Review (CBR). Di luar kelas, kedua prodi me­nger­ja­kan tugas ter­struk­tur yang ber­beda: ma­ha­siswa Bio­logi men­do­ku­men­ta­si­kan da­ta­set, ma­ha­siswa Pen­di­di­kan Bio­logi me­ran­cang me­ta­data bahan ajar dan ren­cana data siswa. Rang­kaian ini me­la­tih ke­ju­ju­ran, ke­te­ku­nan, ke­man­di­rian, ke­be­ri­ni­sia­ti­fan, dan tang­gung jawab.

A. Alur kegiatan tatap muka (2 × 50 menit)

B. Lembar Kerja LK-03: Mengenali Jenis, Format, dan Metadata Data Biologi

Tujuan LK-03: meng­kla­si­fi­ka­si­kan data bio­logi me­nu­rut struk­tur, format, dan sumber; mem­baca berkas FASTA, FASTQ, JSON, dan CSV dengan benar; me­nge­nali is­ti­lah Darwin Core pada data oku­rensi GBIF; dan me­nyu­sun ren­cana CBR tahap 1. LK di­ker­ja­kan in­di­vidu atau ke­lom­pok sesuai arahan dosen.

Bagian 1. Klasifikasi delapan kartu data

Ten­tu­kan struk­tur (T = ter­struk­tur, S = semi-ter­struk­tur, TT = tidak ter­struk­tur), format, dan sumber yang mung­kin untuk setiap kartu. Ja­wa­ban di­ba­has ber­sama di kelas; siap­kan alasan Anda, te­ru­tama untuk kartu yang ja­wa­ban­nya ber­beda an­tar­ke­lom­pok.

Bagian 2. Hasil unduhan GBIF (Praktik C1)

Catat filter yang di­pa­kai, jumlah re­ka­man, DOI un­du­han, tiga nilai basisOfRecord yang muncul, kolom yang paling banyak kosong, dan pe­mi­sah kolom yang di­pa­kai berkas.

Bagian 3. Skor kualitas FASTQ (Praktik C4)

Isi ka­rak­ter, Q, dan pe­luang salah untuk posisi 1 sampai 12. Lalu jawab: mulai posisi berapa kua­li­tas turun di bawah Q20, dan apa ar­ti­nya bagi ana­li­sis?

Bagian 4. Log verifikasi AI

Ajukan prompt be­ri­kut ke asis­ten AI pi­li­han Anda: “Jelaskan perbedaan format FASTA dan FASTQ serta kegunaannya dalam penelitian biologi.” Ja­wa­ban AI di­per­la­ku­kan se­ba­gai klaim yang harus dicek, bukan se­ba­gai sumber. Pe­riksa setiap klaim dengan Cock dkk. (2010) atau do­ku­men­tasi NCBI, lalu isi log satu klaim per baris.

Bagian 5. Rencana CBR tahap 1

Isi judul buku; pe­nu­lis, tahun, pe­ner­bit, dan ISBN; alasan me­mi­lih (re­le­vansi dengan bio­logi); bab yang akan di­ring­kas; dan lima konsep pen­ting.

C. Tugas terstruktur: LK-03 bagian 6

Bagian 6 di­ker­ja­kan di luar kelas dan ber­beda untuk setiap prodi. Ke­dua­nya me­ma­kai ke­te­ram­pi­lan yang sama, yaitu me­nu­lis me­ta­data, tetapi di­te­rap­kan pada jenis data yang akan Anda hadapi di dunia kerja masing-masing.

Bagian 6 adalah tambahan untuk LK-03 pada versi dua prodi; dosen dapat menyesuaikannya dengan RPS. Kumpulkan: [tenggat dan cara pengumpulan].

D. Critical Book Review (CBR), tugas individu

CBR di­ker­ja­kan dalam dua tahap. Tahap 1 di­kum­pul­kan di per­te­muan ini, se­dang­kan tahap final di­kum­pul­kan di per­te­muan 4. Buku yang di­pi­lih mem­ba­has tek­no­logi in­for­masi, li­te­rasi data, data science, bioin­for­ma­tika, atau in­for­ma­tika bio­logi, ber­ba­hasa In­do­ne­sia atau Ing­gris, dan se­baik­nya terbit dalam 10 tahun te­ra­khir.

Fokus per prodi hanya saran; semua topik di atas tetap boleh dipilih kedua prodi.

E. Kriteria penilaian

Kembali ke Aga dan Melfi

Ingat Aga dan un­du­han GBIF-nya yang be­ran­ta­kan? Kini Anda tahu pe­nye­bab­nya. Berkas GBIF format Simple ber­pe­mi­sah tab walau be­ra­khi­ran .csv, se­hingga harus dibuka lewat menu impor dengan De­li­mi­ter = Tab dan File Origin = UTF-8. Aga juga ke­hi­la­ngan dua hal yang tidak bisa di­ganti dengan me­ra­pi­kan tabel: berkas men­tah­nya dan DOI un­du­han­nya. Lang­kah per­bai­kan­nya se­der­hana: me­ngun­duh ulang dengan filter yang sama, men­ca­tat DOI sejak awal, me­nyim­pan berkas mentah apa adanya, dan me­nu­lis README yang me­nye­but tang­gal unduh serta fil­ter­nya.

Melfi meng­ha­dapi per­soa­lan yang ber­beda tetapi se­je­nis. Data tinggi ke­cam­bah itu sen­diri tidak sen­si­tif, tetapi ta­bel­nya memuat nama siswa. Data pri­badi siswa perlu di­lin­du­ngi, dan bila sis­wa­nya ter­go­long anak, UU PDP me­ma­suk­kan data anak ke dalam data pri­badi spe­si­fik. Se­be­lum di­ba­gi­kan, nama perlu di­ganti kode (S01, S02, dan se­te­rus­nya), tabel kunci di­sim­pan ter­pi­sah, dan ber­kas­nya di­ba­gi­kan lewat tempat yang ak­ses­nya ter­ba­tas, bukan grup chat. Jika kelak data itu ingin di­pa­kai untuk skripsi, Melfi perlu per­se­tu­juan baru atau mi­ni­mal me­la­por­kan­nya dalam bentuk te­ra­no­nim­kan.

Janji kecil untuk data saya

• Saya mem­buka berkas lewat menu impor dan me­me­riksa pe­mi­sah serta pe­ngo­dean­nya.
• Saya me­nyim­pan data mentah apa adanya, ter­ma­suk sa­li­nan CSV.
• Saya men­ca­tat sumber dan DOI setiap data yang saya unduh.
• Saya me­nu­lis README sejak awal proyek.
• Saya me­me­riksa li­sensi se­be­lum me­ma­kai ulang data atau bahan ajar.
• Saya meng­ganti nama dengan kode se­be­lum mem­ba­gi­kan data ten­tang orang lain.

Ja­wa­ban Anda tidak di­ni­lai; gu­na­kan untuk me­li­hat ke­bia­saan mana yang perlu diubah lebih dulu. Mu­lai­lah dari yang paling kecil: pe­riksa wadah berkas se­be­lum mem­bu­ka­nya, dan tulis ke­te­ra­ngan se­be­lum data ber­pin­dah tangan. Di per­te­muan 4, Anda akan me­ma­kai bekal ini untuk me­ni­lai kua­li­tas data dan me­nye­le­sai­kan CBR tahap final.

Glosarium dan Daftar Pustaka

Glosarium

Daftar Pustaka

Halaman bantuan Google Forms, Google Classroom, MoodleDocs, iNaturalist Help, dan konsolidasi teks UU 27/2022 dipakai untuk contoh konteks sekolah. Bunyi pasal UU 27/2022 di modul ini adalah ringkasan; cocokkan dengan naskah resmi sebelum mengutipnya. Rentang halaman ditulis dengan tanda hubung mengikuti gaya modul.