Dari Hitungan Bakau ke Keputusan

Bayang­kan Anda ikut survei hutan bakau di pesi­sir timur Suma­tera Utara. Di buku lapa­ngan ter­tu­lis empat angka: 12, 15, 9, 14. Tanpa kete­ra­ngan, keem­pat angka itu tidak berarti apa-apa. Lain halnya bila Anda tahu bahwa angka itu jumlah pohon Rhizophora di empat petak, lalu meng­hi­tung rera­ta­nya dan meli­hat petak mana yang paling sedi­kit. Angka itu mulai ber­ce­rita. Ceri­ta­nya makin dalam ketika Anda mem­buka peta dan men­da­pati petak paling jarang itu ber­ba­ta­san dengan tambak.

Per­ja­la­nan dari angka mentah sampai kepu­tu­san seperti itu adalah inti mata kuliah Tek­no­logi Infor­masi dan Lite­rasi Data (TILDA). Per­te­muan per­tama ini mem­per­ke­nal­kan peta per­ja­la­nan satu semes­ter, arti tek­no­logi infor­masi, cara data naik nilai men­jadi infor­masi dan penge­ta­huan, makna trans­for­masi digi­tal dan lite­rasi data, serta aturan mema­kai AI gene­ra­tif dengan jujur.

Apersepsi: mana yang termasuk teknologi informasi?

Beri­kut enam alat yang biasa dipa­kai maha­siswa bio­logi dalam seminggu kuliah. Mana yang ter­ma­suk tek­no­logi infor­masi? Ten­tu­kan pili­han Anda beserta ala­san­nya, baru buka pem­ba­ha­san.

Kontrak Perkuliahan dan Capaian Pembelajaran

Sebe­lum masuk ke konsep, kenali dulu medan per­ja­la­nan­nya: berapa per­te­muan, kapan ujian, tugas apa saja yang dini­lai, bagai­mana tugas itu dini­lai, dan kemam­puan apa yang hendak dica­pai. Penge­ta­huan ini mem­bantu Anda menga­tur tenaga sejak minggu per­tama.

1.1 TILDA dalam satu semester

TILDA ber­bo­bot 2 SKS dan ber­ja­lan 16 per­te­muan: 14 per­te­muan pem­be­la­ja­ran, UTS di per­te­muan 8, dan UAS di per­te­muan 16. Bobot peni­laian dibagi ke setiap per­te­muan, sehingga tugas kecil di awal semes­ter ikut menen­tu­kan nilai akhir. Tujuh per­te­muan per­tama saja sudah menyum­bang 47% nilai akhir.

1.2 Bagaimana tugas dinilai

Semua tugas dini­lai dengan rubrik umum RPS yang ter­diri atas lima aspek: pema­ha­man konsep, kete­pa­tan peng­gu­naan tek­no­logi, pengo­la­han dan ana­li­sis data, kua­li­tas produk, serta inte­gri­tas dan etika aka­de­mik. Aspek 1 sampai 4 bers­kor mak­si­mum 25, sedang­kan aspek inte­gri­tas bers­kor mak­si­mum 20. Pilih satu aspek pada Gambar 3 untuk meli­hat per­be­daan setiap ting­kat.

Skor akhir mata kuliah dikon­versi ke huruf menu­rut Tabel 2.

1.3 Capaian pembelajaran

Mata kuliah ini mem­bawa tiga capaian pem­be­la­ja­ran lulu­san prodi (CPL 2, CPL 4, dan CPL 8) dan menu­run­kan­nya men­jadi empat capaian pem­be­la­ja­ran mata kuliah (CPMK). Per­te­muan 1 sampai 7 teru­tama mela­tih CPMK 1 dan CPMK 2. CPMK 3 dan CPMK 4 baru men­jadi fokus sete­lah UTS, walau­pun sikap etis sudah dini­lai sejak per­te­muan per­tama mela­lui aspek inte­gri­tas di rubrik.

Per­te­muan ini sen­diri mela­tih Sub-CPMK 1: men­je­las­kan konsep dasar tek­no­logi infor­masi, lite­rasi data, trans­for­masi digi­tal, dan peran­nya dalam ilmu bio­logi.

1.4 Kesepakatan kelas

Di per­te­muan ini dosen mema­par­kan CPL, CPMK, jadwal, bobot, dan rubrik, lalu kelas menye­pa­kati aturan ber­sama: keter­lam­ba­tan, cara pengum­pu­lan tugas, dan kebi­ja­kan pema­kaian AI. Hasil kese­pa­ka­tan diung­gah dosen ke LMS. Satu kebi­a­saan kecil dise­pa­kati sejak awal, yaitu pola nama berkas yang sama sepan­jang semes­ter.

NIM_P01_TR1_Nama.pdf
     │   │    └─ nama mahasiswa
     │   └────── Tugas Rutin 1
     └────────── pertemuan ke-1

Teknologi Informasi dan Hierarki DIKW

Bab ini men­ja­wab dua per­ta­nyaan dasar. Apa sebe­nar­nya tek­no­logi infor­masi itu? Lalu, apa yang ter­jadi pada data ketika ia diolah oleh tek­no­logi itu dan ditaf­sir­kan oleh manu­sia?

2.1 Teknologi informasi menurut undang-undang

Undang-Undang Nomor 11 Tahun 2008 ten­tang Infor­masi dan Tran­saksi Elek­tro­nik (Pasal 1 angka 3) men­de­fi­ni­si­kan tek­no­logi infor­masi seba­gai suatu teknik untuk mengum­pul­kan, menyi­ap­kan, menyim­pan, mem­pro­ses, mengu­mum­kan, menga­na­li­sis, dan/atau menye­bar­kan infor­masi. Defi­nisi hukum ini ber­guna karena menye­but kata ker­ja­nya satu per satu, dan setiap kata kerja itu punya pada­nan dalam kerja bio­logi.

Isti­lah TIK (tek­no­logi infor­masi dan komu­ni­kasi) menam­bah­kan sisi komu­ni­kasi, yaitu jari­ngan, inter­net, dan perang­kat yang memung­kin­kan infor­masi ber­pin­dah anta­ro­rang. Dalam modul ini kedua isti­lah dipa­kai ber­gan­tian, dengan pene­ka­nan pada apa yang diker­ja­kan tek­no­logi itu ter­ha­dap data.

2.2 Lima komponen sistem TI

Secara prak­tis, sebuah sistem TI ter­su­sun atas lima kom­po­nen. Sistem baru ber­ja­lan bila keli­ma­nya hadir. Kamera jebak yang cang­gih tidak ber­guna tanpa orang yang tahu cara mema­sang dan mem­baca reka­man­nya.

Gambar 5 mem­per­li­hat­kan kelima kom­po­nen itu bekerja dalam dua situ­asi, satu di lapa­ngan pene­li­tian dan satu di kelas.

2.3 Data, informasi, pengetahuan, dan kebijaksanaan

Hie­rarki DIKW (data, information, knowledge, wisdom) yang dipo­pu­ler­kan Ackoff (1989) dan dikaji ulang oleh Rowley (2007) men­je­las­kan bagai­mana data naik nilai­nya. Data adalah fakta mentah tanpa kon­teks. Infor­masi adalah data yang sudah diolah dan diberi kon­teks sehingga men­ja­wab per­ta­nyaan siapa, apa, di mana, dan kapan. Penge­ta­huan muncul ketika infor­masi dihu­bung­kan dengan teori dan penga­la­man sehingga dapat men­je­las­kan mengapa dan bagai­mana. Kebi­jak­sa­naan adalah kemam­puan mema­kai penge­ta­huan untuk mengam­bil kepu­tu­san yang tepat.

data        : 12, 15, 9, 14 (jumlah individu Rhizophora di 4 plot)
informasi   : rata-rata 12,5 individu per plot; plot 3 paling rendah
pengetahuan : plot 3 berada di dekat tambak, kemungkinan ada tekanan
              konversi lahan yang perlu diuji lebih lanjut

Naiki tangga itu satu per satu pada Gambar 6. Per­ha­ti­kan per­ta­nyaan apa yang dija­wab di setiap anak tangga.

Rowley (2007) mene­mu­kan bahwa buku teks umum­nya sepa­kat pada urutan jen­jang­nya, tetapi kurang sepa­kat ten­tang proses per­pin­da­han antar­jen­jang. Frické (2009) bahkan meng­kri­tik model ini seba­gai ter­lalu linear.

Transformasi Digital, Society 5.0, dan Literasi Data

Hampir semua hal kini dise­but “digi­tal”. Bab ini memi­sah­kan dua hal yang sering ter­tu­kar, yaitu digi­ta­li­sasi dan trans­for­masi digi­tal, lalu mem­ba­has Soci­ety 5.0 dan kemam­puan yang dibu­tuh­kan agar kita tidak seka­dar ikut arus: lite­rasi data.

3.1 Digitalisasi belum tentu transformasi

Trans­for­masi digi­tal lebih dari seka­dar memin­dah­kan doku­men kertas ke kom­pu­ter. Vial (2019), dari tin­jauan atas 282 karya, men­de­fi­ni­si­kan­nya seba­gai proses yang ber­tu­juan mem­per­baiki suatu enti­tas dengan memicu peru­ba­han berarti pada sifat-sifat­nya mela­lui kom­bi­nasi tek­no­logi infor­masi, kom­pu­tasi, komu­ni­kasi, dan konek­ti­vi­tas. Kata kun­ci­nya adalah perubahan sifat. Ban­ding­kan dua nasib lembar her­ba­rium pada Gambar 7.

3.2 Society 5.0

Soci­ety 5.0 adalah konsep kebi­ja­kan Peme­rin­tah Jepang yang per­tama kali dia­ju­kan dalam 5th Science and Technology Basic Plan tahun 2016. Kantor Kabi­net Jepang meng­gam­bar­kan­nya seba­gai masya­ra­kat yang ber­pu­sat pada manu­sia, tempat per­tum­bu­han eko­nomi dan penye­le­saian masa­lah sosial ber­ja­lan ber­sa­maan mela­lui sistem yang mema­du­kan ruang siber dan ruang fisik. Soci­ety 5.0 menyu­sul empat bentuk masya­ra­kat sebe­lum­nya.

Meka­nis­me­nya berupa puta­ran: data dari dunia nyata dimo­del­kan di ruang siber, dia­na­li­sis, lalu hasil­nya dikem­ba­li­kan ke dunia nyata dalam bentuk laya­nan atau kepu­tu­san. Gambar 8 mem­per­li­hat­kan puta­ran itu pada peman­tauan kua­li­tas air sungai.

Soci­ety 5.0 sering disa­ma­kan dengan Indus­tri 4.0. Tek­no­logi inti­nya memang sama, tetapi asal, fokus, dan tuju­an­nya ber­beda.

3.3 Literasi data

Rids­dale et al. (2015) mem­be­ri­kan defi­nisi yang paling ring­kas: lite­rasi data adalah kemam­puan mengum­pul­kan, menge­lola, menge­va­lu­asi, dan mene­rap­kan data secara kritis. Wolff et al. (2016) menam­bah­kan unsur inku­iri dan etika: kemam­puan menga­ju­kan dan men­ja­wab per­ta­nyaan dunia nyata dari kum­pu­lan data besar maupun kecil mela­lui proses inku­iri, dengan mem­per­ha­ti­kan peng­gu­naan data yang etis. Cal­zada Prado dan Marzal (2013) menem­pat­kan lite­rasi data seba­gai bagian dari lite­rasi infor­masi dan merinci lima kelom­pok kom­pe­tensi yang dipa­kai seba­gai kerangka di modul ini. Pilih setiap kelom­pok pada Gambar 9.

Bio­logi modern meng­ha­sil­kan data dalam jumlah yang tidak lagi bisa dibaca satu per satu: seku­ens genom, citra sate­lit tutu­pan hutan, ribuan reka­man kamera jebak, dan cata­tan kebe­ra­daan spe­sies dari warga. Maha­siswa yang tidak lite­rat data akan ber­gan­tung pada kesim­pu­lan orang lain tanpa bisa meme­rik­sa­nya. Bagi calon pene­liti dan pen­di­dik bio­logi, lite­rasi data juga menen­tu­kan apakah skripsi mereka nanti diba­ngun di atas data yang dapat diper­tang­gung­ja­wab­kan.

TI di Lima Ranah Biologi dan AI Generatif

Konsep di bab sebe­lum­nya kini dibawa ke lapa­ngan. Bab ini mem­beri satu contoh nyata pema­kaian TI untuk setiap ranah bio­logi, lalu mem­ba­has alat yang paling sering dipa­kai maha­siswa seka­rang, seka­li­gus paling sering disa­lah­pa­hami: AI gene­ra­tif.

4.1 Satu contoh nyata untuk setiap ranah

RPS TILDA menye­but lima ranah peman­fa­a­tan TI di bio­logi: pen­di­di­kan, pene­li­tian, labo­ra­to­rium, kon­ser­vasi, serta bioin­for­ma­tika dan bioin­dus­tri. Pilih ranah pada Gambar 10. Per­ha­ti­kan bahwa di setiap contoh, tek­no­logi baru ber­man­faat karena ada data yang dica­tat dengan baik dan orang yang mampu mem­ba­ca­nya.

4.2 AI generatif: alat bantu, bukan sumber

AI gene­ra­tif seperti ChatGPT, Copi­lot, dan Gemini menyu­sun teks ber­da­sar­kan pola bahasa, bukan dengan men­cari fakta di basis data. Aki­bat­nya, jawa­ban yang ter­de­ngar meya­kin­kan bisa salah. Wal­ters dan Wilder (2023) meme­riksa 636 sitasi yang diha­sil­kan ChatGPT. Hasil­nya pada Gambar 11.

GPT-4 memang lebih jarang menga­rang diban­ding GPT-3.5, tetapi hampir satu dari lima sita­si­nya tetap fiktif. UNESCO (Miao & Holmes, 2023) dan Kemen­dik­bu­dris­tek mela­lui Pan­duan Peng­gu­naan Gene­ra­tive AI pada Pem­be­la­ja­ran di Per­gu­ruan Tinggi (Direk­to­rat Jen­de­ral Pen­di­di­kan Tinggi, Riset, dan Tek­no­logi, 2024) sama-sama tidak mela­rang AI, tetapi mene­gas­kan bahwa AI adalah alat bantu dan peni­laian kritis tetap di tangan manu­sia.

4.3 Log verifikasi AI

Hampir setiap per­te­muan TILDA meminta Anda mema­kai AI lalu mem­ve­ri­fi­kasi hasil­nya. Agar lang­kah itu teru­kur, semua tugas mema­kai satu format log yang sama.

Aturan dasar­nya: AI boleh dipa­kai untuk men­cari arah, tetapi setiap klaim yang masuk ke tugas harus punya sumber manu­sia yang bisa dite­lu­suri. Ruju­kan yang hanya muncul di jawa­ban AI dan tidak dite­mu­kan di Cross­ref, Google Scho­lar, atau situs pener­bit diang­gap tidak ada.

Praktik C1 sampai C3: LMS, Verifikasi AI, dan Mind Map

Bagian ini diker­ja­kan di laptop atau ponsel sambil mengi­kuti lang­kah ber­no­mor. C1 dan C2 diker­ja­kan di kelas (20 menit), sedang­kan C3 adalah pan­duan menyu­sun Tugas Rutin 1 di luar kelas. Teks ber­muka monos­pace adalah sesu­atu yang dike­tik atau diklik di kom­pu­ter.

C1. Mengakses LMS dan bahan ajar

1. Masuk ke LMS. Buka alamat LMS yang dite­tap­kan dosen (SIPDA, Google Class­room, atau Moodle) dan masuk mema­kai akun maha­siswa Unimed.
2. Ber­ga­bung ke kelas TILDA. Masuk­kan kode kelas dari dosen. Pas­ti­kan nama kelas dan nama dosen sesuai.
3. Unduh doku­men wajib. Simpan RPS, kon­trak kuliah, dan modul ini ke satu folder kerja dengan susu­nan beri­kut.

TILDA_2026/
├── 00_admin/   (RPS, kontrak kuliah)
├── 01_P01/     (catatan, log verifikasi AI, mind map)
└── 02_P02/

4. Bia­sa­kan pola nama berkas. Pola yang dipa­kai sepan­jang semes­ter adalah NIM_P01_TR1_Nama.pdf. Pola ini memu­dah­kan pen­ca­rian dan peni­laian.

C2. Eksplorasi definisi dengan AI, lalu verifikasi

1. Ajukan prompt beri­kut ke satu alat AI pili­han Anda.

Jelaskan pengertian literasi data menurut para ahli.
Sertakan 3 rujukan lengkap dengan DOI.

2. Catat di log veri­fi­kasi. Tulis prompt, nama alat dan tang­gal, lalu ring­kas klaim uta­ma­nya dengan kata-kata sen­diri (lihat Tabel 5 di Bab 4).
3. Cek setiap ruju­kan. Tempel judul atau DOI ruju­kan ke https://search.crossref.org atau Google Scho­lar. Catat apakah ruju­kan itu ada, judul­nya sama, dan penu­lis­nya sama.
4. Ban­ding­kan isi. Buka satu ruju­kan yang benar-benar ada. Cocok­kan defi­nisi versi AI dengan defi­nisi di sumber asli­nya, misal­nya Rids­dale et al. (2015) atau Wolff et al. (2016).
5. Beri status. Isi kolom status: sesuai, seba­gian, atau keliru, lalu tulis satu kali­mat alasan.

C3. Menyusun mind map Tugas Rutin 1

1. Pilih alat. Guna­kan Canva, Miro, XMind, draw.io, atau kertas yang difoto dengan jelas.
2. Tem­pat­kan tiga simpul utama: Tek­no­logi Infor­masi, Lite­rasi Data, dan Bio­logi. Tarik garis antar­sim­pul dan beri label kata kerja pada garis, misal­nya “meng­ha­sil­kan”, “mem­bu­tuh­kan”, atau “dia­na­li­sis dengan”.
3. Isi cabang. Mini­mal empat cabang per simpul. Setiap cabang bio­logi memuat satu contoh nyata: nama alat, plat­form, atau jenis data.
4. Can­tum­kan sumber. Tulis mini­mal tiga ruju­kan APA 7 di bagian bawah mind map. Lam­pir­kan log veri­fi­kasi AI jika mema­kai AI.
5. Unggah. Ekspor ke PDF atau PNG, beri nama NIM_P01_TR1_Nama, lalu unggah ke LMS sebe­lum batas waktu.

Memetakan Hubungan: Aktivitas dan Tugas Pertemuan 1

Di tatap muka, Anda menye­pa­kati kon­trak kuliah, men­dis­ku­si­kan kasus eDNA Kari­mun­jawa secara ber­pa­sa­ngan, mengak­ses LMS, dan mem­ve­ri­fi­kasi jawa­ban AI. Di luar kelas, Anda menyu­sun Tugas Rutin 1. Rang­kaian ini mela­tih keju­ju­ran, kedi­si­pli­nan, keman­di­rian, kebe­ri­ni­si­a­ti­fan, dan tang­gung jawab.

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

B. Tugas Rutin 1, tugas individu

Tugas Rutin 1 meminta Anda meme­ta­kan hubu­ngan tek­no­logi infor­masi, lite­rasi data, dan bio­logi dalam satu mind map, beserta ring­ka­san dis­kusi kelas. Lang­kah pem­bu­a­tan­nya ada di Pro­se­dur C3 hala­man Prak­tik. Bobot­nya 5% dari nilai akhir.

Skor maksimum rubrik umum

C. Kriteria penilaian

Kembali ke Raka dan Nadira

Ingat tiga ruju­kan ber-DOI yang Raka salin dari chat­bot? Kini Anda tahu lang­kah­nya. Setiap DOI ditem­pel ke https://doi.org/ atau dicari di Cross­ref, lalu judul, penu­lis, dan isinya dico­cok­kan. Ruju­kan yang mem­buka arti­kel eko­nomi jelas tidak cocok, dan ruju­kan yang tidak dite­mu­kan diang­gap tidak ada. Temuan Wal­ters dan Wilder (2023) menun­juk­kan hal seperti ini bukan kebe­tu­lan: seba­gian sitasi buatan ChatGPT memang fiktif. Raka perlu men­cari defi­nisi lite­rasi data dari sumber asli­nya, misal­nya Rids­dale et al. (2015), dan men­ca­tat pema­kaian AI di log veri­fi­kasi.

Kesa­la­han Nadira lebih serius karena menyang­kut orang lain. Daftar nilai yang memuat nama siswa dan nomor tele­pon orang tua adalah data pri­badi. Menem­pel­kan­nya ke chat­bot publik melang­gar aturan kelas yang ketiga dan sema­ngat UU No. 27 Tahun 2022 ten­tang Pelin­du­ngan Data Pri­badi. Bila perlu ban­tuan meng­hi­tung, nama dan nomor tele­pon diha­pus lebih dulu, atau rerata cukup dihi­tung sen­diri di spre­ads­heet. Lalu, rerata 72 itu baru infor­masi. Ia men­jadi penge­ta­huan bila Nadira bisa men­je­las­kan mengapa nilai­nya seperti itu, misal­nya soal mana yang paling banyak salah dan apa sebab­nya.

Janji kecil untuk semester ini

• Saya menyim­pan semua berkas TILDA di satu folder kerja dengan nama berkas yang kon­sis­ten.
• Saya men­ca­tat setiap pema­kaian AI di log veri­fi­kasi lima kolom.
• Saya mem­buka dan men­co­cok­kan setiap ruju­kan sebe­lum mema­kai­nya.
• Saya tidak menem­pel­kan data pri­badi, data kese­ha­tan, atau data pene­li­tian yang belum terbit ke chat­bot publik.
• Saya mem­be­da­kan data, infor­masi, dan penge­ta­huan saat menu­lis lapo­ran.
• Saya mem­baca rubrik sebe­lum menger­ja­kan tugas, bukan sesu­dah­nya.

Jawa­ban Anda tidak dini­lai; guna­kan untuk meli­hat kebi­a­saan mana yang perlu diba­ngun lebih dulu. Mulai­lah dari yang paling kecil: buat folder TILDA_2026 hari ini. Di Per­te­muan 2, Raka dan Nadira kem­bali dengan tugas kelom­pok dan per­ta­nyaan baru ten­tang memi­lih tek­no­logi yang tepat.

Glosarium dan Daftar Pustaka

Glosarium

Daftar Pustaka