Satu Baris yang Menggeser Peta

Ba­yang­kan Anda mem­beli beras se­pu­luh karung, lalu pe­da­gang­nya ber­kata bahwa satu karung berisi pasir. Sem­bi­lan karung lain tetap beras, tetapi Anda tidak lagi bisa me­nim­bang total be­lan­jaan dengan tenang se­be­lum tahu karung mana yang ber­ma­sa­lah. Data pe­ne­li­tian be­kerja dengan cara yang mirip. Satu baris yang salah jarang ber­te­riak minta di­per­ha­ti­kan, tetapi ia diam-diam ikut masuk ke setiap rerata, peta, dan grafik yang Anda buat.

Di per­te­muan 3 Anda sudah me­nge­nal jenis, sumber, struk­tur, dan format data bio­logi. Per­te­muan 4 ini me­nga­ju­kan per­ta­nyaan be­ri­kut­nya: se­te­lah data ada di tangan, apakah data itu layak di­pa­kai? Untuk men­ja­wab­nya, Anda akan be­la­jar me­ni­lai kua­li­tas data dari enam di­mensi, me­ra­pi­kan data tanpa meng­hi­lang­kan jejak, me­nu­lis kamus data dan README, lalu me­ni­lai se­be­rapa FAIR sebuah da­ta­set.

Apersepsi: masih percaya peta sebarannya?

Mi­sal­kan sebuah tabel memuat 13 titik temuan ikan. Dua belas titik berada di se­ki­tar Medan, kira-kira pada bujur 98,6° BT. Satu titik lagi ter­ca­tat di koor­di­nat 0°, 0°, yaitu di Sa­mu­dra Atlan­tik, karena sel koor­di­nat­nya kosong lalu terisi angka nol. Jika Anda meng­hi­tung rerata bujur ketiga belas titik itu, ha­sil­nya 91,0°. Pusat se­ba­ran ber­ge­ser se­ki­tar 840 km ke barat hanya karena satu baris.

Titik 0°, 0° bia­sa­nya be­ra­sal dari sel kosong yang terisi nol, dan GBIF me­nan­dai­nya dengan ZERO_COORDINATE. Calon guru meng­ha­dapi versi yang sama di daftar nilai: satu nilai 1000 yang se­ha­rus­nya 100 cukup untuk mem­buat rerata kelas tampak jauh lebih tinggi da­ri­pada ke­nya­taan­nya. Po­la­nya sama, hanya me­dan­nya yang ber­beda.

Kualitas Data: Layak untuk Tujuan Tertentu

1.1 Tidak ada data yang “bagus” secara mutlak

Sebuah pisau dapur yang tajam sangat baik untuk me­ngi­ris bawang, tetapi tidak cocok untuk me­mo­tong kayu bakar. Kita tidak me­nye­but pisau itu buruk; kita hanya tahu bahwa ia layak untuk satu pe­ker­jaan dan tidak layak untuk pe­ker­jaan lain. Chap­man (2005), dalam pan­duan kua­li­tas data yang di­ter­bit­kan GBIF, me­ma­kai ga­ga­san serupa untuk data. Data ber­kua­li­tas be­rarti data yang layak untuk tujuan pe­ma­kaian ter­tentu, atau fitness for use.

Ambil satu re­ka­man oku­rensi dengan ke­ti­dak­pas­tian koor­di­nat 10 km. Untuk peta se­ba­ran ting­kat pro­vinsi, re­ka­man itu sudah cukup, karena ling­ka­ran ke­ti­dak­pas­tian 10 km tetap berada di dalam pro­vinsi. Untuk model ha­bi­tat dengan re­so­lusi 1 km, re­ka­man yang sama tidak layak. Ling­ka­ran ber­jari-jari 10 km men­ca­kup se­ki­tar 314 km per­segi, ar­ti­nya titik se­be­nar­nya bisa berada di salah satu dari se­ki­tar 314 sel peta.

Ga­ga­san ini juga ber­laku di kelas. Angket minat be­la­jar dari 30 siswa yang lima ja­wa­ban­nya kosong mung­kin masih cukup untuk meng­gam­bar­kan sua­sana kelas secara umum. Namun data yang sama tidak cukup untuk me­ni­lai kelima siswa yang tidak men­ja­wab itu. Per­ta­nyaan kua­li­tas data karena itu selalu di­mu­lai dengan per­ta­nyaan lain: data ini mau di­pa­kai untuk apa?

1.2 Mencegah lebih murah daripada memperbaiki

Pesan kedua dari Chap­man (2005) se­der­hana tetapi sering ter­lupa: men­ce­gah ke­sa­la­han lebih murah da­ri­pada mem­per­bai­ki­nya. Setiap ke­sa­la­han yang lolos saat pen­ca­ta­tan harus dicari, di­pa­hami, lalu di­per­baiki atau di­tan­dai di tahap pem­ber­si­han. Karena itu desain lembar pen­ca­ta­tan sama pen­ting­nya dengan pem­ber­si­han data.

Pesan ini men­jadi benang merah bagi kedua prodi. Pe­ne­liti me­ran­cang lembar pen­ca­ta­tan la­pa­ngan yang me­maksa format tang­gal se­ra­gam dan satuan yang jelas. Calon guru me­ran­cang LKPD dan for­mu­lir siswa yang mem­buat ke­sa­la­han sulit ter­jadi sejak awal, mi­sal­nya dengan pi­li­han baku dan batas nilai. Di bab-bab be­ri­kut­nya Anda akan me­li­hat bahwa hampir setiap ma­sa­lah kua­li­tas punya dua jalan keluar: di­per­baiki be­la­ka­ngan, atau di­ce­gah di for­mu­lir.

Enam Dimensi Kualitas Data

2.1 Enam pertanyaan untuk setiap dataset

Dokter tidak me­ni­lai ke­se­ha­tan pasien dari satu angka. Ia me­me­riksa suhu, te­ka­nan darah, denyut nadi, dan be­be­rapa tanda lain, karena setiap tanda me­nang­kap ma­sa­lah yang ber­beda. Kua­li­tas data juga di­pe­riksa dari be­be­rapa sisi. DAMA UK (2013) me­ru­mus­kan enam di­mensi utama kua­li­tas data, yang ke­mu­dian dia­dopsi oleh Go­ver­nment Data Qua­lity Hub Ing­gris (2021).

Ada ke­rangka yang lebih rinci, yaitu stan­dar ISO/IEC 25012:2008 dengan 15 ka­rak­te­ris­tik. Untuk data pe­ne­li­tian ma­ha­siswa, enam di­mensi be­ri­kut sudah cukup. Setiap di­mensi pada da­sar­nya adalah satu per­ta­nyaan yang Anda ajukan kepada da­ta­set.

Ka­te­gori ini dapat be­ri­ri­san. Nama tak­so­nomi yang sudah usang, mi­sal­nya, kadang di­go­long­kan ke aku­rasi dan kadang ke ke­te­pa­tan waktu. Yang pen­ting bukan me­mi­lih kotak yang “benar”, me­lain­kan me­mas­ti­kan ma­sa­lah­nya ter­tang­kap oleh salah satu per­ta­nyaan. Per­ha­ti­kan juga contoh lin­tang 98,6: angka itu se­be­nar­nya bujur Medan yang masuk ke kolom lin­tang, se­hingga satu ke­sa­la­han se­ka­li­gus me­lang­gar va­li­di­tas dan aku­rasi.

2.2 Enam dimensi di data kelas

Ma­ha­siswa Pen­di­di­kan Bio­logi akan me­nge­lola jenis data yang ber­beda: nilai prak­ti­kum, angket, dan rekap ke­ha­di­ran. Di­men­si­nya tetap sama, dan kabar baik­nya, banyak ma­sa­lah di data kelas bisa di­ce­gah dengan fitur yang sudah ter­se­dia di Google Forms. Tabel be­ri­kut me­ma­sang­kan setiap di­mensi dengan contoh ma­sa­lah dan cara men­ce­gah­nya sejak for­mu­lir.

Lem­baga pen­di­di­kan pun meng­ha­dapi ma­sa­lah yang sama dalam skala besar. Data Re­fe­rensi Ke­men­dik­das­men me­mi­sah­kan re­ka­man yang valid dari re­ka­man residu, yaitu re­ka­man yang tidak leng­kap, ganda, atau belum padan dengan data Duk­ca­pil. Ka­te­gori itu bisa Anda pe­ta­kan sen­diri ke enam di­mensi: tidak leng­kap dekat dengan ke­leng­ka­pan, ganda dengan keu­ni­kan, dan belum padan dengan aku­rasi atau kon­sis­tensi. Pe­me­taan ini alat bantu be­la­jar, bukan is­ti­lah resmi Ke­men­dik­das­men, tetapi me­nun­juk­kan bahwa ma­sa­lah yang sama muncul di data se­ko­lah.

2.3 Penanda kualitas di GBIF

GBIF meng­him­pun re­ka­man dari banyak lem­baga pe­ner­bit data. Saat me­ne­rima data, GBIF me­me­riksa setiap re­ka­man secara oto­ma­tis dan me­nem­pel­kan pe­nanda (issues and flags) di kolom issue pada un­du­han format Simple. Pe­nanda ini mem­bantu peng­guna me­nya­ring data. Hal yang sering di­sa­lah­pa­hami: GBIF tidak meng­ha­pus re­ka­man secara oto­ma­tis. Ke­pu­tu­san me­ma­kai atau mem­buang re­ka­man tetap ada di tangan pe­ne­liti.

Ingat kem­bali aper­sepsi di awal modul. Titik di 0°, 0° pada peta ikan Medan akan me­ne­rima pe­nanda ZERO_COORDINATE, dan pe­ne­liti yang mem­baca kolom issue bisa me­nya­ring­nya se­be­lum meng­hi­tung rerata. Ma­ha­siswa Pen­di­di­kan Bio­logi punya pa­da­nan­nya di lembar nilai: pem­for­ma­tan ber­sya­rat yang me­war­nai nilai di luar 0 sampai 100 ber­fungsi se­perti pe­nanda, karena ia me­nun­juk­kan ma­sa­lah tanpa me­ngu­bah da­ta­nya.

Menata Data dan Mendokumentasikannya

3.1 Dua belas aturan menata data di spreadsheet

Dapur res­to­ran yang rapi bukan dapur yang indah di­pan­dang, me­lain­kan dapur tempat setiap koki tahu letak pisau, garam, dan wajan tanpa ber­ta­nya. Spread­sheet yang ter­tata juga begitu: orang lain, ter­ma­suk Anda sen­diri be­be­rapa bulan ke­mu­dian, bisa lang­sung be­kerja tanpa me­ne­bak maksud pe­nyu­sun­nya. Broman dan Woo (2018) me­rang­kum prak­tik menata data di spread­sheet yang men­ce­gah se­ba­gian besar ke­sa­la­han. Aturan ini men­jadi acuan pem­ber­si­han data di per­te­muan ini dan di per­te­muan 7.

Aturan ini ber­laku sama untuk kedua prodi. Data la­pa­ngan ma­ha­siswa Bio­logi dan daftar nilai atau data prak­ti­kum siswa yang di­ke­lola ma­ha­siswa Pen­di­di­kan Bio­logi sama-sama rusak oleh sel ga­bu­ngan, warna tanpa ke­te­ra­ngan, dan angka yang me­nem­pel dengan sa­tuan­nya. Contoh se­der­hana di daftar nilai: “85 (re­me­dial)” di satu sel se­baik­nya di­pi­sah men­jadi kolom nilai berisi 85 dan kolom ke­te­ra­ngan berisi “re­me­dial”.

3.2 Sebelum dan sesudah ditata

Per­ha­ti­kan lima ma­sa­lah yang di­tan­dai angka pada tabel “Se­be­lum”, lalu lihat cara mem­per­bai­ki­nya pada tabel “Se­su­dah”. Baris ber­warna kuning pada tabel asli di­mak­sud­kan se­ba­gai tanda se­suatu, tetapi tidak ada yang tahu ar­ti­nya.

3.3 Kamus data, codebook, dan README

Data yang rapi masih bisa mem­bi­ngung­kan jika tidak ada yang men­je­las­kan arti setiap kolom. Kamus data me­ngisi ke­ko­so­ngan itu dengan satu baris untuk setiap va­ria­bel: nama va­ria­bel, arti, satuan, tipe, nilai yang dii­zin­kan, dan kode data hilang. Kolom-kolom ini juga yang akan Anda isi di LK-04 bagian 3.

README me­leng­kapi kamus data. Jika kamus data men­je­las­kan kolom, README men­je­las­kan da­ta­set secara ke­se­lu­ru­han: siapa yang me­nyu­sun­nya, kapan dan di mana data di­kum­pul­kan, dengan metode dan alat apa, berkas apa saja yang ada, lang­kah pe­ngo­la­han yang sudah di­la­ku­kan, li­sensi dan cara me­nyi­ta­si­nya, sing­ka­tan atau kode yang di­pa­kai, serta ke­ter­ba­ta­san data yang di­ke­ta­hui. Bagian te­ra­khir itu sering di­le­wat­kan, pa­da­hal ke­ter­ba­ta­san yang di­tu­lis jujur justru mem­buat data lebih di­per­caya.

Prinsip FAIR: Data yang Bisa Ditemukan dan Dipakai Ulang

4.1 Empat huruf, lima belas prinsip

Buku yang ter­sim­pan di gudang tanpa ka­ta­log sama saja dengan buku yang hilang. Buku itu ada, tetapi tidak seo­rang pun bisa me­ne­mu­kan­nya, me­min­jam­nya, atau tahu apakah boleh me­nya­lin­nya. Data pe­ne­li­tian meng­ha­dapi nasib serupa jika hanya ter­sim­pan di laptop pe­nyu­sun­nya. Wil­kin­son dkk. (2016) me­ru­mus­kan 15 prin­sip agar data dapat di­te­mu­kan (Findable), diak­ses (Accessible), di­pa­du­kan (Interoperable), dan di­pa­kai ulang (Reusable), baik oleh ma­nu­sia maupun oleh mesin.

Satu salah paham perlu di­lu­rus­kan sejak awal: FAIR tidak sama dengan ter­buka. Prin­sip A1.2 justru me­ngi­zin­kan pro­se­dur au­ten­ti­kasi bila di­per­lu­kan. Data lokasi spe­sies te­ran­cam, mi­sal­nya, tetap bisa FAIR wa­lau­pun hanya dapat diun­duh oleh pihak yang berhak. Prin­sip yang sama ber­laku untuk data nilai siswa: data itu bisa ter­do­ku­men­tasi dengan baik dan dapat di­pa­kai ulang oleh guru yang ber­we­nang tanpa pernah dibuka ke publik.

4.2 FAIR di unduhan GBIF

Cara ter­mu­dah me­ma­hami prin­sip yang ab­strak adalah me­li­hat­nya be­kerja. Un­du­han GBIF yang Anda buat di prak­tik C1 per­te­muan 3 me­me­nuhi banyak prin­sip FAIR. DOI yang Anda catat adalah contoh F1, dan akun GBIF yang Anda buat untuk me­ngun­duh adalah contoh A1.2.

Li­sensi per re­ka­man (R1.1) me­nyam­bung ke materi per­te­muan 3. Pe­nga­ma­tan iNaturalist hanya masuk ke GBIF jika ber­li­sensi CC0, CC BY, atau CC BY-NC. Ar­ti­nya, ke­pu­tu­san li­sensi yang diam­bil seo­rang pe­nga­mat di pon­sel­nya me­nen­tu­kan apakah da­ta­nya bisa di­pa­kai ulang oleh pe­ne­liti di se­lu­ruh dunia.

4.3 FAIR untuk bahan ajar dan data kelas

Prin­sip FAIR lahir dari dunia riset, tetapi lo­gi­ka­nya bisa dibawa ke se­ko­lah. Tabel be­ri­kut adalah contoh pe­ne­ra­pan di kon­teks se­ko­lah, bukan pe­do­man resmi. Per­ha­ti­kan bahwa kolom data kelas selalu memuat pem­ba­ta­san akses, karena nilai dan angket siswa adalah data pri­badi.

Audit Kualitas Data Okurensi

Bagian ini me­mandu Anda me­nger­ja­kan pro­se­dur C1 sampai C5. Di kelas, prak­tik di­ker­ja­kan ber­ke­lom­pok 3 sampai 4 orang selama 40 menit untuk C1 sampai C4, di­tam­bah 10 menit untuk C5. Ha­sil­nya Anda tuang­kan ke LK-04 bagian 1 sampai 3 dan bagian 6. Ker­ja­kan be­ru­ru­tan, karena setiap lang­kah me­nyiap­kan lang­kah be­ri­kut­nya.

C1. Mengamankan data mentah

Aturan per­tama pem­ber­si­han data: jangan pernah me­nyun­ting data mentah. Anda akan mem­buat sa­li­nan berkas, men­du­pli­kasi sheet, dan me­nyiap­kan log se­be­lum me­ngu­bah satu sel pun.

Pendidikan Biologi Pola yang sama (salinan, sheet kerja, log) berlaku saat Anda mengolah daftar nilai atau data angket kelas.

C2. Mendeteksi masalah per dimensi

Ketik rumus be­ri­kut di kolom bantu mulai kolom L pada sheet kerja, di baris 2, lalu salin ke bawah sampai baris 31. Pe­nge­cua­lian­nya adalah COUNTBLANK, yang cukup di­ke­tik sekali untuk setiap kolom D, G, dan H.

Rumus va­li­di­tas tang­gal cukup pan­jang, jadi salin persis se­perti di bawah:

=IFERROR(AND(LEN(C2)=10;
  MID(C2;5;1)="-";MID(C2;8;1)="-";
  ISNUMBER(DATEVALUE(C2)));FALSE)

Se­te­lah semua kolom bantu terisi, lan­jut­kan tiga lang­kah be­ri­kut:

1. Sorot baris ganda. Pilih kolom A, lalu Home › Con­di­tio­nal For­mat­ting › Hig­hlight Cells Rules › Du­pli­cate Values.
2. Saring hasil. Ak­tif­kan Data › Filter, lalu saring setiap kolom bantu untuk me­nam­pil­kan nilai FALSE atau TRUE yang ber­ma­sa­lah.
3. Catat temuan. Isi LK-04 bagian 1: di­mensi, alat atau rumus, jumlah temuan, dan occurrenceID yang ber­ma­sa­lah.

C3. Memperbaiki dan mencatat

Prin­sip C3 bisa di­ring­kas dalam satu ka­li­mat: per­baiki yang pasti, beri NA yang tidak pasti, dan catat se­mua­nya. Ke­sa­la­han yang po­la­nya jelas boleh di­per­baiki. Nilai yang tidak bisa di­pas­ti­kan tidak boleh di­te­bak, karena te­ba­kan yang masuk ke data akan ter­li­hat se­perti pe­nga­ma­tan sung­gu­han.

Lang­kah-lang­kah­nya di Excel:

1. Se­ra­gam­kan pe­nu­li­san nama spe­sies. Di kolom bantu, rumus be­ri­kut mem­buang spasi ber­le­bih dan mem­buat huruf per­tama ka­pi­tal se­men­tara si­sa­nya kecil, sesuai kaidah nama ilmiah. Hin­dari PROPER karena ha­sil­nya men­jadi “Ras­bora Su­ma­trana”.

   =UPPER(LEFT(TRIM(B2);1))&LOWER(MID(TRIM(B2);2;100))

   Salin ha­sil­nya, lalu Paste Spe­cial › Values ke kolom B. Sing­ka­tan “R.” dan salah ketik “Chana” di­per­baiki dengan Home › Find & Select › Re­place.
2. Per­ba­rui nama lama. Pe­riksa nama yang tidak cocok dengan acuan. Contoh: Puntius binotatus kini umum di­tu­lis Barbodes binotatus. Cek di gbif.org/spe­cies se­be­lum meng­ganti.
3. Per­baiki tang­gal. Ubah ke format YYYY-MM-DD. Tang­gal yang mus­ta­hil, mi­sal­nya 30 Fe­bruari, jangan di­te­bak; ganti dengan NA dan catat di log.
4. Per­baiki koor­di­nat. Koor­di­nat ter­tu­kar boleh di­ba­lik karena po­la­nya jelas. Koor­di­nat 0,0 dan sel kosong diisi NA, bukan angka ka­ra­ngan.
5. Per­baiki jumlah in­di­vidu. “12 ekor” men­jadi 12. Nilai ne­ga­tif tidak dapat di­pas­ti­kan, maka di­ganti NA dan di­ca­tat.
6. Hapus baris ganda. Pilih tabel, Data › Data Tools › Remove Du­pli­ca­tes, cen­tang semua kolom, lalu OK.
7. Pasang va­li­dasi. Pilih kolom I, Data › Data Va­li­da­tion › Allow: List, lalu isi daftar be­ri­kut. Ini men­ce­gah ke­sa­la­han baru saat entri.

   HumanObservation;PreservedSpecimen;MachineObservation

8. Isi log. Setiap pe­ru­ba­han di­ca­tat satu baris di log_perubahan.

Pendidikan Biologi Data Validation yang sama bisa dipakai di daftar nilai, misalnya Allow: Whole number antara 0 dan 100. Aturan “jangan menebak” juga berlaku: nilai yang tidak terbaca di lembar kertas siswa ditandai, bukan dikira-kira.

C4. Menyusun kamus data dan README

Salin mi­ni­mal lima baris kamus data ke LK-04 bagian 3. Gu­na­kan contoh di Bab 3.3 se­ba­gai acuan, tetapi isi ber­da­sar­kan kolom yang benar-benar ada di da­ta­set la­ti­han.

C5. AI sebagai asisten pemeriksa

AI ge­ne­ra­tif dapat mem­bantu me­ne­mu­kan ma­sa­lah kua­li­tas data, tetapi ha­sil­nya tetap harus Anda pe­riksa. Pro­se­dur ini se­ngaja di­ker­ja­kan se­te­lah Anda me­me­riksa data sen­diri, se­hingga Anda punya pem­ban­ding.

1. Salin 10 baris per­tama se­ba­gai teks, bukan se­lu­ruh berkas.
2. Ajukan prompt be­ri­kut ke ChatGPT, Co­pi­lot, atau Gemini:

   Berikut 10 baris data okurensi ikan dengan kolom Darwin Core.
   Identifikasi masalah kualitas data berdasarkan dimensi akurasi,
   kelengkapan, keunikan, konsistensi, ketepatan waktu, dan validitas.

3. Ban­ding­kan dengan temuan ke­lom­pok, lalu isi log ve­ri­fi­kasi AI di LK-04 bagian 6 dengan kolom prompt, klaim_ai, sumber_cek, dan status.

Dari Membaca ke Mengaudit: Aktivitas Pertemuan 4

Per­te­muan tatap muka ber­lang­sung 2 × 50 menit dan di­ran­cang dengan metode case method, col­la­bo­ra­tive lear­ning, pre­sen­tasi, dan peer review. Bagian ter­pan­jang adalah prak­tik (40 menit), di­tam­bah 10 menit untuk pro­se­dur C5 dengan AI. Se­te­lah kelas, Anda me­nye­le­sai­kan bagian LK-04 yang ter­sisa dan me­nye­rah­kan CBR final. Ka­rak­ter yang di­la­tih se­pan­jang rang­kaian ini adalah ke­ju­ju­ran, ke­te­ku­nan, tang­gung jawab, ke­man­di­rian, dan etika ber­ko­mu­ni­kasi.

A. Alur kegiatan tatap muka (100 menit)

B. Lembar Kerja LK-04: Audit Kualitas Data Okurensi

LK-04 ber­tu­juan agar Anda mampu men­de­teksi ma­sa­lah kua­li­tas data ber­da­sar­kan enam di­mensi, mem­per­baiki data secara ter­do­ku­men­tasi dan dapat di­te­lu­suri, serta me­nyu­sun kamus data dan me­ni­lai da­ta­set dengan prin­sip FAIR. Peta bagian-ba­gian­nya:

C. LK-04 bagian 4: seberapa FAIR unduhan GBIF Anda?

Buka kem­bali un­du­han GBIF dari prak­tik per­te­muan 3. Untuk setiap prin­sip, beri tanda bila ter­pe­nuhi, lalu tulis buk­ti­nya dari berkas atau ha­la­man un­du­han Anda. Kolom kanan hanya me­nun­juk­kan tempat men­cari bukti, bukan ja­wa­ban­nya. Jika Anda tidak me­nye­le­sai­kan un­du­han di per­te­muan 3, pakai un­du­han teman se­ke­lom­pok dan can­tum­kan DOI-nya.

D. Tugas terstruktur: LK-04 bagian 8 per prodi

Kedua prodi me­nger­ja­kan LK-04 bagian 7. Bagian 8 mem­bawa ke­te­ram­pi­lan yang sama ke kon­teks prodi masing-masing. Pilih kartu sesuai prodi Anda.

Tugas Pendidikan Biologi memperluas bagian 7 ke konteks lembar kerja siswa. Ikuti arahan dosen bila ada penyesuaian dengan RPS.

E. Rubrik peer review (LK-04 bagian 5)

Setiap ke­lom­pok me­ni­lai hasil ke­lom­pok lain, mi­sal­nya dengan rotasi A ke B, B ke C, C ke D, dan D ke A. Beri skor 1 sampai 4 untuk setiap kri­te­ria dan tulis ko­men­tar. Tabel be­ri­kut me­nun­juk­kan syarat skor 4.

F. CBR final

CBR final adalah tugas in­di­vidu yang di­kum­pul­kan ber­sama hasil ana­li­sis kua­li­tas da­ta­set, lembar eva­luasi, dan hasil peer review. Struk­tur­nya se­pu­luh bagian:

G. Penilaian

Kembali ke Daffa, Kembali ke Data Anda

Ingat Daffa dan peta ikan Sungai Deli di awal modul? Kini Anda bisa me­ni­lai­nya dengan enam di­mensi. Va­riasi nama spe­sies adalah ma­sa­lah kon­sis­tensi yang boleh di­per­baiki, karena po­la­nya jelas. Tang­gal “14/03/26” adalah ma­sa­lah va­li­di­tas yang juga bisa di­per­baiki ke format ISO. Yang ber­ma­sa­lah adalah dua ke­pu­tu­san lain­nya: me­ngisi koor­di­nat kosong dengan titik tengah Kota Medan be­rarti me­nga­rang data, dan meng­ha­pus baris “aneh” tanpa ca­ta­tan be­rarti meng­hi­lang­kan jejak.

Lang­kah yang lebih tepat se­be­nar­nya tidak lebih lama. Daffa cukup me­nan­dai koor­di­nat kosong dengan NA, men­ca­tat baris yang ia buang be­serta ala­san­nya di log, dan me­nu­lis di README bahwa peta hanya me­ma­kai re­ka­man ber­koor­di­nat. Pe­ta­nya mung­kin memuat lebih se­di­kit titik, tetapi setiap ti­tik­nya bisa di­per­tang­gung­ja­wab­kan. Sari, ma­ha­siswa Pen­di­di­kan Bio­logi di Bab 2, meng­ha­dapi pe­la­ja­ran yang sama dari sisi lain: ke­sa­la­han paling murah adalah ke­sa­la­han yang di­ce­gah oleh for­mu­lir.

Janji kecil untuk data saya

• Saya akan be­kerja di sa­li­nan dan tidak me­nyun­ting data mentah.
• Saya tidak akan me­ne­bak nilai yang tidak pasti; saya akan mem­be­ri­nya NA.
• Saya akan men­ca­tat setiap pe­ru­ba­han data di log.
• Saya akan me­nu­lis kamus data atau co­de­book se­be­lum me­ngum­pul­kan data.
• Saya akan men­jaga data pri­badi, ter­ma­suk data siswa, tetap ter­ba­tas ak­ses­nya.

Ja­wa­ban Anda tidak di­ni­lai. Pilih satu ke­bia­saan yang paling mudah diubah minggu ini, mi­sal­nya me­mi­sah­kan angka dari satuan atau men­ca­tat setiap pe­ru­ba­han di log, supaya orang lain bisa me­me­riksa dan me­lan­jut­kan pe­ker­jaan Anda. Aturan menata data dari per­te­muan ini akan Anda pakai lagi di per­te­muan 7.

Glosarium dan Daftar Pustaka

Glosarium

Daftar Pustaka

Catatan: rentang halaman ditulis dengan tanda hubung (2-10) mengikuti ketentuan gaya modul.