Kualitas Data, Metadata, dan Prinsip FAIR

E-Modul Pertemuan 4 · Teknologi Informasi dan Literasi Data (TILDA)

Data yang Layak Dipercaya

Kualitas Data, Metadata, dan Prinsip FAIR untuk Riset Biologi dan Kelas Biologi

BiologiPendidikan Biologi

Jurusan Biologi · FMIPA Universitas Negeri Medan
Semester Ganjil 2026/2027
Penyusun: Eko Prasetya, S.Pd., M.Sc.

Pengantar

Satu Baris yang Menggeser Peta

Bayangkan Anda mem­beli sepu­luh karung beras, lalu peda­gang­nya ber­kata bahwa satu karung berisi pasir. Sembilan karung lain­nya tetap beras, tetapi Anda tidak dapat lagi menim­bang total belan­jaan dengan tenang sebe­lum tahu karung mana yang ber­ma­sa­lah. Data pene­li­tian juga begitu. Satu baris data yang salah jarang tampak men­co­lok, tetapi baris itu diam-diam ikut masuk ke setiap rerata, peta, dan grafik yang Anda buat.

Pada Pertemuan 3 Anda sudah menge­nal jenis, sumber, struk­tur, dan format data bio­logi. Pertemuan 4 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 peru­ba­han­nya, serta menu­lis kamus data dan README. Terakhir, Anda akan meni­lai sebe­rapa FAIR sebuah data­set, yaitu sebe­rapa mudah data itu dite­mu­kan dan dipa­kai ulang.

Satu baris yang menggeser petaSepuluh karung, tiga belas titik
?10 karung, 1 berisi pasirtitikbujur1 sampai 12sekitar 98,6° BT130° (sel kosong)NA, dicatat di log0°110° BTZERO_COORDINATErerata 13 titik: 91,0°≈ 840 kmrerata 12 titik: 98,6°Karung: satu berisi pasirKarung mana yang bermasalah?Sebelum tahu jawabannya,sembilan karung beras pun tidakbisa ditimbang dengan tenang.Baris: satu koordinat 0°, 0°Dari mana angka nol itu?Sel koordinat yang kosong laluterisi angka nol.Rerata: ikut bergeserSeberapa jauh?Rerata bujur 13 titik menjadi91,0°, sekitar 840 km ke barat.Periksa: tandai, beri NAApa yang dilakukan?GBIF menandai ZERO_COORDINATE.Nilai diganti NA dan dicatat dilog.Satu baris yang salah diam-diam ikut masuk ke setiap rerata
Geser gambar ke samping untuk melihat seluruhnya.
  1. KarungSatu berisi pasir
  2. BarisSatu koor­di­nat 0°, 0°
  3. RerataBergeser ke 91,0°
  4. PeriksaTandai, beri NA, catat
Karung berisi pasir melambangkan satu baris data yang salah. Angka 13 titik, 98,6°, 91,0°, dan 840 km berasal dari apersepsi Gambar 1 di bawah dan bersifat ilustratif. Penanda ZERO_COORDINATE dibahas di Bab 2, sedangkan aturan memberi kode NA (not available, tidak tersedia) dan mencatatnya di log dibahas di Praktik C3. Animasi diputar setiap kali halaman ini dibuka.

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.

12 titik di sekitar Medan98,6°
1 titik di 0°, 0°0°
Rerata 13 titik91,0°
0° BT110° BT
Gambar 1. Posisi bujur pada garis 0 sampai 110° BT. Perhitungan: (12 × 98,6 + 0) / 13 = 91,0. Selisih 7,6° bujur di sekitar khatulistiwa kira-kira 840 km. Data ilustratif.

Titik 0°, 0° bia­sa­nya bera­sal dari sel kosong yang terisi angka nol. GBIF mem­beri titik seperti ini penanda ZERO_COORDINATE. Calon guru men­jum­pai masa­lah yang sama di daftar nilai: satu nilai 1000 yang seha­rus­nya 100 sudah cukup untuk mem­buat rerata kelas tampak jauh lebih tinggi dari­pada kenya­ta­an­nya. Polanya sama, hanya kon­tek­snya yang ber­beda.

Biologi

Satu koordinat salah bisa menggeser peta sebaran

Anda akan meme­riksa, mem­ber­sih­kan, dan men­do­ku­men­ta­si­kan data­set sebe­lum dia­na­li­sis atau diba­gi­kan sehingga orang lain dapat mene­lu­suri setiap kepu­tu­san Anda.

Pendidikan Biologi

Satu nilai salah ketik bisa mengubah rerata kelas

Anda akan meran­cang lembar kerja dan for­mu­lir yang men­ce­gah kesa­la­han sejak siswa men­ca­tat data, lalu menge­lola data kelas dengan rapi dan aman.

Studi Kasus Mini · Peta Raka dan Rerata NadiraKisah rekaan untuk ilustrasi, lanjutan dari Pertemuan 3
RN
Raka dan Nadiramenjelang tenggat tugas
RakaNad, peta sebaran ikan Sungai Deli punyaku hampir jadi. Catatan lapangan kelompok sudah kugabung dengan unduhan GBIF.
RakaTabelnya memang campur aduk. Ada “rasbora sumatrana”, “R. sumatrana”, dan “Rasbora sumatrana” di satu kolom, beberapa tanggal tertulis 14/03/26.
RakaDua baris tidak punya koordinat. Tenggat sudah dekat, jadi kuisi saja dengan titik tengah Kota Medan. Baris yang aneh-aneh kuhapus.
RakaPetanya jadi rapi. Catatan apa saja yang kuubah? Tidak ada, sih.
NadiraAku juga sedang merekap nilai praktikum pengamatan sel dari dua kelas tempatku PLP.
NadiraRerata X-2 jauh di atas X-1, padahal kata guru pamong kedua kelas setara. Mungkin X-2 memang lebih rajin, ya?

Menurut Anda, apakah peta Raka dapat diper­caya? Simpan dulu jawa­ban Anda. Rerata kelas Nadira diba­has di Bab 2, dan kita akan kem­bali ke kasus kedu­a­nya di Pojok Refleksi.

Poin Penting
  • Pertemuan 3 menge­nal­kan apa data bio­logi itu. Pertemuan 4 meni­lai apakah data itu layak dipa­kai.
  • Satu nilai yang salah dapat meng­ge­ser hasil ana­li­sis sejauh ratu­san kilo­me­ter (contoh aper­sepsi), atau meng­ge­ser rerata nilai kelas.
  • Topik per­te­muan ini: konsep kua­li­tas data, enam dimensi kua­li­tas, penanda GBIF, menata data dan doku­men­ta­si­nya, serta prin­sip FAIR.
Bab 1

Kualitas Data: Layak untuk Tujuan Tertentu

Alur kerja Bab 1Menilai kelayakan data
  1. Langkah 1Tanya tuju­an­nyaData ini mau dipa­kai untuk apa?
  2. Langkah 2Cek ska­la­nyaPeta pro­vinsi atau model habi­tat 1 km?
  3. Langkah 3Nilai kela­ya­kan­nyaLayak untuk satu tujuan, belum tentu untuk yang lain.
  4. Langkah 4Rancang for­mu­lirCegah kesa­la­han sejak data dica­tat.
  5. Langkah 5Tulis di READMETujuan pema­kaian di baris per­tama.
Animasi berulang setiap 15 detik dan menyorot satu langkah setiap kali. Tekan Jeda untuk berhenti di langkah yang sedang dibaca.

1.1 Tidak ada data yang “bagus” secara mutlak

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 pisau itu 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 adalah data yang layak untuk tujuan pema­kaian ter­tentu, atau fitness for use. Jadi, per­ta­nya­an­nya bukan “apakah data ini bagus?”, melain­kan “apakah data ini cukup baik untuk keper­luan saya?”.

Ambil contoh satu reka­man oku­rensi dengan keti­dak­pas­tian koor­di­nat 10 km, arti­nya lokasi sebe­nar­nya dapat berada di mana saja dalam radius 10 km dari titik yang ter­ca­tat. Untuk peta seba­ran ting­kat pro­vinsi, reka­man itu sudah cukup karena ling­ka­ran keti­dak­pas­ti­an­nya 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 sehingga titik sebe­nar­nya dapat berada di salah satu dari seki­tar 314 sel peta.

Peta sebaran tingkat provinsi

Lingkaran keti­dak­pas­tian 10 km tetap berada di dalam batas pro­vinsi.

Kesimpulan: layak.

Model habitat resolusi 1 km

Luas ling­ka­ran seki­tar 3,14 × 10² = 314 km per­segi, jadi titik bisa jatuh di seki­tar 314 sel beru­ku­ran 1 × 1 km.

Kesimpulan: tidak layak.

Gambar 2. Rekaman dengan ketidakpastian koordinat 10 km dinilai untuk dua tujuan. Gagasan dari Chapman (2005); perhitungan luas adalah ilustrasi.

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. Karena itu, peni­laian kua­li­tas data selalu dia­wali dengan per­ta­nyaan lain: data ini akan dipa­kai untuk apa?

Riset · Biologi

Tanyakan skala analisisnya

Sebelum mem­bu­ang atau mema­kai reka­man, catat skala peta atau reso­lusi model yang Anda ren­ca­na­kan. Ketidakpastian koor­di­nat dini­lai ter­ha­dap skala itu, bukan ter­ha­dap angka ideal.

Sekolah · Pendidikan Biologi

Tanyakan keputusan yang akan diambil

Data untuk ref­leksi pem­be­la­ja­ran kelas boleh lebih long­gar dari­pada data untuk meni­lai siswa pero­ra­ngan. Keputusan yang menyang­kut satu siswa menun­tut data yang leng­kap untuk siswa itu.

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 pada tahap pem­ber­si­han data. Karena itu, ran­ca­ngan lembar pen­ca­ta­tan sama pen­ting­nya dengan pem­ber­si­han data.

Pesan ini ber­laku 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 jawa­ban baku dan batas nilai. Di bab-bab beri­kut­nya Anda akan meli­hat bahwa hampir setiap masa­lah kua­li­tas data memi­liki dua jalan keluar: diper­baiki bela­ka­ngan, atau dice­gah sejak di for­mu­lir.

1
Rancang formulir
Format tanggal, satuan, pilihan baku, batas nilai.
Langkah termurah
2
Catat data
Kesalahan yang tercegah tidak perlu dicari.
3
Periksa
Enam dimensi kualitas, rumus bantu, penanda GBIF.
4
Perbaiki dan catat
Yang pasti diperbaiki, yang ragu diberi NA, semua masuk log.
5
Dokumentasikan
Kamus data dan README agar data bisa dipakai ulang.
Gambar 3. Alur kerja kualitas data dalam pertemuan ini. Langkah 1 adalah yang termurah.
“Mencegah kesalahan lebih murah daripada memperbaikinya.”Diringkas dari Chapman (2005), Principles of data quality
Tips dan Trik
  • Tulis tujuan pema­kaian data di baris per­tama README Anda. Kalimat seder­hana seperti “untuk peta seba­ran ting­kat kabu­pa­ten” mem­bantu Anda memu­tus­kan reka­man mana yang layak.
  • Saat mene­mu­kan kesa­la­han beru­lang, jangan hanya mem­per­baiki data­nya. Tanyakan juga bagian for­mu­lir mana yang mem­buat kesa­la­han itu mung­kin ter­jadi.
Cek Pemahaman · Bab 1Tiga soal singkat sebelum lanjut
1

Rekaman dengan keti­dak­pas­tian koor­di­nat 10 km akan dipa­kai untuk model habi­tat bere­so­lusi 1 km. Bagaimana peni­lai­an­nya?

Tepat. Lingkaran 10 km mencakup sekitar 314 sel berukuran 1 × 1 km. Kualitas selalu dinilai terhadap tujuan pemakaian.
Belum tepat. Ingat gagasan fitness for use: layak untuk tujuan apa?
2

Menurut Chapman (2005), cara mana yang paling murah untuk men­jaga kua­li­tas data?

Tepat. Kesalahan yang tercegah sejak pencatatan tidak perlu dicari dan diperbaiki belakangan.
Belum tepat. Pesan Chapman: mencegah lebih murah daripada memperbaiki.
3

Angket minat bela­jar 30 siswa memuat lima jawa­ban kosong. Untuk keper­luan apa data itu kurang layak?

Tepat. Keputusan yang menyangkut satu siswa menuntut data yang lengkap untuk siswa itu.
Belum tepat. Data yang sama bisa cukup untuk gambaran kelas, tetapi tidak untuk keputusan per siswa.

Pilih satu jawa­ban; umpan balik muncul lang­sung. Jawaban tidak disim­pan dan tidak dini­lai.

Poin Penting
  • Kualitas data tidak mutlak: data ber­ku­a­li­tas berarti layak untuk tujuan ter­tentu (fitness for use, Chapman 2005).
  • Rekaman yang sama bisa layak untuk peta pro­vinsi dan tidak layak untuk model habi­tat 1 km.
  • Mencegah kesa­la­han lewat desain lembar pen­ca­ta­tan lebih murah dari­pada mem­ber­sih­kan­nya bela­ka­ngan.
Jeda Sejenak

Pikirkan satu data yang pernah Anda kum­pul­kan, misal­nya data prak­ti­kum atau angket. Untuk tujuan apa data itu layak, dan untuk tujuan apa data itu tidak layak?

Bab 2

Enam Dimensi Kualitas Data

Alur kerja Bab 2Memeriksa enam dimensi
  1. Langkah 1AkurasiApakah data men­cer­min­kan kenya­taan?
  2. Langkah 2KelengkapanAdakah sel yang kosong?
  3. Langkah 3Keunikan dan kon­sis­tensiAdakah baris ganda atau penu­li­san yang bera­gam?
  4. Langkah 4Waktu dan vali­di­tasMutakhir, sesuai format dan ren­tang?
  5. Langkah 5Baca penanda GBIFPenanda adalah alasan meme­riksa, bukan meng­ha­pus.
Animasi berulang setiap 15 detik dan menyorot satu langkah setiap kali. Tekan Jeda untuk berhenti di langkah yang sedang dibaca.

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), sebuah aso­si­asi pro­fe­si­o­nal penge­lola data di Inggris, meru­mus­kan enam dimensi utama kua­li­tas data. Rumusan itu kemu­dian dia­dopsi oleh Government Data Quality Hub (2021), lem­baga peme­rin­tah Inggris yang mengu­rus mutu data.

Ada kerangka yang lebih rinci, yaitu stan­dar inter­na­si­o­nal 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.

Akurasi
Apakah data mencerminkan kenyataan?
Pelanggaran: koordinat 0,0 untuk temuan di Danau Toba.
Kelengkapan
Apakah semua data yang dibutuhkan tersedia?
Pelanggaran: kolom koordinat, tanggal, atau nama pencatat kosong.
Keunikan
Apakah setiap entitas hanya muncul sekali?
Pelanggaran: spesimen yang sama dientri dua kali dengan nomor katalog sama.
Konsistensi
Apakah nilai tidak saling bertentangan?
Pelanggaran: Rasbora sumatrana dan R. sumatrana dalam satu kolom.
Ketepatan waktu
Apakah data mutakhir saat dibutuhkan?
Pelanggaran: memakai nama sinonim lama yang sudah tidak diterima.
Validitas
Apakah data sesuai format, tipe, dan rentang?
Pelanggaran: tanggal 14/03/26 alih-alih ISO 8601; lintang 98,6.
Gambar 4. Enam dimensi kualitas data sebagai enam pertanyaan, masing-masing dengan contoh pelanggaran pada data biodiversitas. Diringkas dari Government Data Quality Hub (2021), yang mengutip DAMA UK (2013).
DimensiDefinisiContoh pelanggaran pada data biodiversitas
AkurasiData mencerminkan kenyataan.Koordinat 0,0 untuk temuan di Danau Toba; lintang dan bujur tertukar; spesies salah identifikasi.
KelengkapanSemua data yang dibutuhkan untuk suatu pemakaian tersedia.Kolom koordinat, tanggal, atau nama pencatat kosong.
KeunikanSetiap entitas hanya muncul sekali.Spesimen yang sama dientri dua kali dengan nomor katalog sama.
KonsistensiNilai tidak saling bertentangan di dalam satu rekaman atau antarrekaman.“Rasbora sumatrana”, “rasbora sumatrana”, dan “R. sumatrana” di satu kolom; countryCode = MY untuk lokasi di Medan.
Ketepatan waktuData tersedia dan mutakhir saat dibutuhkan.Memakai nama sinonim lama yang sudah tidak diterima; memakai data puluhan tahun lalu untuk menilai status populasi sekarang.
ValiditasData sesuai format, tipe, dan rentang yang diharapkan.Tanggal “14/03/26” atau “Maret 2026” alih-alih ISO 8601; lintang 98,6 (di luar -90 sampai 90); jumlah individu negatif.
Tabel 1. Enam dimensi kualitas data. Sumber: definisi diringkas dari Government Data Quality Hub (2021) yang mengutip DAMA UK (2013); contoh dari modul TILDA P4.

Keenam dimensi 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, yaitu nilai prak­ti­kum, angket, dan rekap keha­di­ran. Dimensinya tetap sama. Kabar baik­nya, banyak masa­lah di data kelas dapat dice­gah dengan fitur yang sudah ter­se­dia di Google Forms. Tabel 2 mema­sang­kan setiap dimensi dengan contoh masa­lah dan cara men­ce­gah­nya sejak di for­mu­lir.

DimensiContoh masalah di kelasCegah sejak formulir
AkurasiNilai praktikum dua siswa tertukar saat disalin dari kertasSiswa mengisi sendiri, tidak disalin ulang
KelengkapanKolom kelas atau tanggal praktikum kosongJadikan pertanyaan wajib (Required)
KeunikanSiswa yang sama mengirim formulir dua kaliBatasi satu respons per akun (Limit to 1 response; siswa masuk dengan akun Google)
KonsistensiKelas ditulis “X-1”, “X 1”, dan “10-1”Pakai pilihan ganda atau dropdown
Ketepatan waktuNilai semester lalu dipakai untuk membagi kelompok sekarangCantumkan tanggal data di nama berkas
ValiditasNilai 105 pada skala 0 sampai 100; jumlah diisi “sepuluh”Validasi respons: angka antara 0 dan 100
Tabel 2. Enam dimensi di data kelas dan cara mencegahnya sejak formulir. Contoh masalah adalah ilustrasi untuk kelas. Kolom kanan memakai fitur Google Forms.

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 cocok dengan data kepen­du­du­kan Dukcapil. Kategori itu dapat Anda peta­kan sen­diri ke enam dimensi: tidak leng­kap dekat dengan keleng­ka­pan, ganda dengan keu­ni­kan, dan belum cocok dengan aku­rasi atau kon­sis­tensi. Pemetaan ini hanya alat bantu bela­jar, bukan isti­lah resmi Kemendikdasmen. Meski begitu, peme­taan ini menun­juk­kan bahwa masa­lah yang sama juga muncul di data seko­lah.

Studi Kasus Mini · Rerata Kelas Nadira yang Terlalu BagusKisah rekaan untuk ilustrasi, lanjutan dari Pengantar

Ingat Nadira di Pengantar? Saat PLP, ia mere­kap nilai prak­ti­kum penga­ma­tan sel dari dua kelas di satu lembar kerja. Rerata kelas X-2 ter­nyata jauh di atas X-1, pada­hal guru pamong (guru pem­bim­bing di seko­lah) merasa kedua kelas setara. Setelah dipe­riksa, dite­mu­kan tiga kesa­la­han. Ada satu nilai 1000 yang seha­rus­nya 100. Ada dua siswa yang ter­ca­tat dua kali karena mengi­rim for­mu­lir ulang. Ada pula nama kelas yang ditu­lis dengan tiga cara ber­beda sehingga bebe­rapa siswa X-1 ter­hi­tung di X-2. Tidak satu pun kesa­la­han itu dise­ngaja.

Petakan setiap kesa­la­han di rekap Nadira ke enam dimensi. Fitur for­mu­lir apa yang bisa men­ce­gah masing-masing kesa­la­han itu?

Lihat pembahasan

Nilai 1000 adalah masa­lah vali­di­tas (di luar ren­tang 0 sampai 100) dan dapat dice­gah dengan vali­dasi res­pons. Siswa yang ter­ca­tat dua kali adalah masa­lah keu­ni­kan, dice­gah dengan mem­ba­tasi satu res­pons per akun. Nama kelas yang bera­gam adalah masa­lah kon­sis­tensi, dice­gah dengan drop­down. Siswa X-1 yang ter­hi­tung di X-2 akhir­nya men­jadi masa­lah aku­rasi, karena data tidak lagi men­cer­min­kan kelas yang sebe­nar­nya.

2.3 Penanda kualitas di GBIF

GBIF meng­him­pun reka­man dari banyak lem­baga pener­bit data. Saat mene­rima data, GBIF meme­riksa setiap reka­man secara oto­ma­tis. Rekaman yang diduga ber­ma­sa­lah diberi penanda (issues and flags), yang muncul di kolom issue pada undu­han format Simple. Penanda ini mem­bantu peng­guna menya­ring data. Satu hal sering disa­lah­pa­hami: GBIF tidak meng­ha­pus reka­man secara oto­ma­tis. Keputusan untuk mema­kai atau mem­bu­ang reka­man tetap berada di tangan pene­liti.

PenandaArtiDimensi terdekat
ZERO_COORDINATEKoordinat tepat 0,0; biasanya nilai kosong yang terisi nolAkurasi
COUNTRY_COORDINATE_MISMATCHKoordinat jatuh di luar negara yang dicantumkanKonsistensi
PRESUMED_SWAPPED_COORDINATELintang dan bujur tampaknya tertukarAkurasi
COORDINATE_OUT_OF_RANGEKoordinat di luar rentang derajat desimal yang sahValiditas
RECORDED_DATE_INVALIDTanggal tidak dapat ditafsirkan, misalnya tanggal yang tidak adaValiditas
TAXON_MATCH_FUZZYNama hanya cocok dengan daftar acuan lewat pencocokan tidak persis, sering karena salah ketikKonsistensi
TAXON_MATCH_HIGHERRANKNama hanya cocok pada tingkat lebih tinggi, misalnya genusKelengkapan
BASIS_OF_RECORD_INVALIDNilai basisOfRecord tidak sesuai kosakataValiditas
Tabel 3. Beberapa penanda kualitas GBIF. Sumber: penanda dan artinya dari GBIF Secretariat (2026), Occurrence issues and flags. Kolom dimensi terdekat adalah pemetaan untuk belajar, bukan klasifikasi resmi GBIF; beberapa penanda dapat masuk lebih dari satu dimensi.

Ingat kem­bali aper­sepsi di awal modul. Titik di 0°, 0° pada peta ikan Medan akan mene­rima penanda ZERO_COORDINATE sehingga pene­liti yang mem­baca kolom issue dapat menya­ring­nya sebe­lum meng­hi­tung rerata. Mahasiswa Pendidikan Biologi memi­liki pada­nan­nya di lembar nilai, yaitu pem­for­ma­tan ber­sya­rat (conditional formatting). Fitur ini mewar­nai nilai di luar ren­tang 0 sampai 100 sehingga ber­fungsi seperti penanda: masa­lah­nya ter­li­hat tanpa data­nya diubah.

Tips dan Trik
  • Saat mem­buka undu­han GBIF format Simple, saring kolom issue lebih dulu dan hitung jumlah reka­man per penanda sebe­lum mela­ku­kan ana­li­sis apa pun.
  • Penanda adalah alasan untuk meme­riksa, bukan perin­tah untuk meng­ha­pus. Tulis kepu­tu­san Anda beserta ala­san­nya, misal­nya “dibu­ang karena ZERO_COORDINATE; peta butuh koor­di­nat”.
  • Di Google Forms, aktif­kan vali­dasi res­pons untuk setiap isian angka. Satu penga­tu­ran kecil itu menu­tup jalan bagi nilai 1000.
Cek Pemahaman · Bab 2Tiga soal singkat sebelum lanjut
1

Satu kolom berisi “Rasbora sumat­rana”, “ras­bora sumat­rana”, dan “R. sumat­rana”. Dimensi mana yang dilang­gar?

Tepat. Nilai untuk spesies yang sama ditulis dengan cara berbeda, jadi saling bertentangan.
Belum tepat. Masalahnya bukan baris ganda, melainkan penulisan yang tidak seragam.
2

Seorang siswa mengi­rim for­mu­lir yang sama dua kali. Fitur Google Forms mana yang men­ce­gah­nya?

Tepat. Ini masalah keunikan, dan pembatasan satu respons per akun mencegahnya.
Belum tepat. Pikirkan dimensi keunikan: setiap siswa hanya muncul sekali.
3

Sebuah reka­man di undu­han GBIF punya penanda ZERO_COORDINATE. Apa arti­nya?

Tepat. GBIF menandai, tidak menghapus. Keputusan memakai atau membuang rekaman ada di tangan peneliti.
Belum tepat. Penanda adalah alasan untuk memeriksa, bukan perintah untuk menghapus.

Pilih satu jawa­ban; umpan balik muncul lang­sung. Jawaban tidak disim­pan dan tidak dini­lai.

Poin Penting
  • Enam dimensi kua­li­tas data: aku­rasi, keleng­ka­pan, keu­ni­kan, kon­sis­tensi, kete­pa­tan waktu, vali­di­tas (DAMA UK, 2013; Government Data Quality Hub, 2021).
  • Dimensi yang sama ber­laku untuk data kelas, dan banyak masa­lah­nya bisa dice­gah dengan per­ta­nyaan wajib, drop­down, batas satu res­pons, dan vali­dasi res­pons.
  • GBIF menan­dai, tidak meng­ha­pus. Keputusan mema­kai reka­man ada di tangan pene­liti.
Jeda Sejenak

Dari enam dimensi, mana yang paling sering Anda lang­gar tanpa sadar saat mengisi tabel prak­ti­kum? Apa kebi­a­saan kecil yang bisa men­ce­gah­nya?

Bab 3

Menata Data dan Mendokumentasikannya

Alur kerja Bab 3Menata data dan dokumentasinya
  1. Langkah 1Amankan data mentahSemua per­bai­kan diker­ja­kan di sali­nan.
  2. Langkah 2Satu sel satu halAngka dan satuan dipi­sah.
  3. Langkah 3Tanggal ISO, kosong NAYYYY-MM-DD dan kode tetap untuk data hilang.
  4. Langkah 4Kamus dataSatu baris untuk setiap vari­a­bel.
  5. Langkah 5READMESiapa, kapan, bagai­mana, lisensi, keter­ba­ta­san.
Animasi berulang setiap 15 detik dan menyorot satu langkah setiap kali. Tekan Jeda untuk berhenti di langkah yang sedang dibaca.

3.1 Dua belas aturan menata data di spreadsheet

Dapur res­to­ran yang rapi bukan­lah 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, dapat 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 pada per­te­muan ini dan pada Pertemuan 7.

1
Konsisten
tinggi_cm
tinggi_cm
tinggi_cm
Kode, nama variabel, satuan, dan nama berkas sama sepanjang proyek.
2
Nama yang baik
tinggi_cm_h7
tinggi (cm) h7
Tanpa spasi; pakai _ atau –, misalnya tinggi_cm_h7.
3
Tanggal ISO
2026-03-14
14/03/26
Format YYYY-MM-DD sesuai ISO 8601, misalnya 2026-03-14.
4
Kosong bermakna
12
NA
8
kamus data
Data hilang diberi kode tetap, misalnya NA, dan dijelaskan di kamus data.
5
Satu sel satu hal
12 ekor
jumlah_ekor
12
Angka dan satuan dipisah: 12 di sel, satuan “ekor” di nama kolom.
6
Persegi panjang
Satu baris judul, tanpa sel gabungan (merge).
7
Kamus data
variabel
arti
satuan
tinggi_cm
tinggi kecambah
cm
Satu baris per variabel: nama, arti, satuan, tipe, nilai yang diizinkan, kode data hilang.
8
Tanpa rumus
=B2*2
24
Data mentah bebas rumus; perhitungan di sheet atau berkas lain.
9
Warna bukan data
keterangan
identifikasi ragu
Jangan menandai data dengan warna; buat kolom keterangan.
10
Nama berkas
…_okurensi_v01.csv
data final revisi FIX2.xlsx
20260314_ikan_sungai_deli_okurensi_v01.csv, bukan “data final revisi FIX2.xlsx”.
11
Cadangan
data mentah
salinan kerja
Data mentah disimpan terpisah dan tidak disunting.
12
Validasi dan teks polos
Gelap
.csv
Pakai Data Validation saat entri; simpan salinan CSV.
Jembatan ke Praktik C3
Gambar 5. Dua belas aturan menata data. Aturan 12 menjadi jembatan ke Praktik C3. Diringkas dari Broman dan Woo (2018).

Aturan ini ber­laku sama untuk kedua prodi. Data lapa­ngan maha­siswa Biologi maupun daftar nilai dan data prak­ti­kum siswa yang dike­lola maha­siswa Pendidikan Biologi sama-sama rusak oleh sel gabu­ngan, warna tanpa kete­ra­ngan, dan angka yang menem­pel dengan satu­an­nya. Contoh seder­ha­na­nya di daftar nilai: isian “85 (reme­dial)” dalam 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.

Sebelum
data tidak teratur dan tidak baku
1tanpa ID
Spesies Tanggal Jumlah Lokasi
rasbora sumatrana2
14/03/263
12 ekor4
Deli
5 R. sumatrana Maret 2026 Deli
Puntius binotatus 14/03/26 -3
dibersihkan di sheet kerja, setiap perubahan dicatat di log
Sesudah
bersih dan memakai istilah Darwin Core
1occurrenceID
2scientificName
3eventDate
4individualCount
locality
5occurrenceRemarks
UNIMED-0101 Rasbora sumatrana 2026-03-14 12 Deli NA
UNIMED-0102 Rasbora sumatrana 2026-03 NA Deli identifikasi perlu dicek
UNIMED-0103 Barbodes binotatus 2026-03-14 NA NA lokasi tidak tercatat
Lima perbaikan
1
Tidak ada ID rekaman. Setiap baris diberi occurrenceID unik.
2
Huruf kecil, singkatan R., nama lama. Nama ditulis baku, dan Puntius binotatus diperbarui menjadi Barbodes binotatus.
3
Format tanggal campur. Semua ditulis ISO 8601; yang hanya diketahui bulannya menjadi 2026-03.
4
Satuan di sel, sel kosong, angka minus. “12 ekor” menjadi 12; kosong dan −3 menjadi NA.
5
Warna dipakai sebagai keterangan. Maknanya pindah ke occurrenceRemarks; lokasi kosong diisi NA.
Gambar 6. ID unik, nama baku, tanggal ISO, angka tanpa satuan, dan data hilang ditandai NA. Keterangan yang dulu berupa warna pindah ke kolom occurrenceRemarks; lokasi yang kosong juga diisi NA. Contoh ilustratif.
Lihat pembahasan pelanggaran aturan

Tabel “Sebelum” melang­gar aturan 2 (nama kolom tidak baku), 3 (tang­gal bukan format ISO), 4 (sel kosong tanpa makna), 5 (“12 ekor” dalam satu sel), dan 9 (baris kuning tanpa kete­ra­ngan). Berikut kepu­tu­san yang diam­bil di tabel “Sesudah”. Nama spe­sies dise­ra­gam­kan dengan huruf awal kapi­tal, dan sing­ka­tan “R. sumat­rana” ditu­lis leng­kap. Puntius bino­ta­tus diganti Barbodes bino­ta­tus sete­lah dicek di gbif.org/spe­cies. “Maret 2026” ditu­lis 2026-03 karena ISO 8601 mem­bo­leh­kan tang­gal yang hanya sampai bulan. Jumlah indi­vidu yang kosong atau nega­tif diganti NA karena nilai­nya tidak dapat dipas­ti­kan. Setiap peru­ba­han dica­tat di log.

3.3 Kamus data, codebook, dan README

Data yang rapi masih dapat mem­bi­ngung­kan bila tidak ada yang men­je­las­kan arti setiap kolom. Kamus data mengisi keko­so­ngan itu dengan satu baris untuk setiap vari­a­bel. Setiap baris memuat nama vari­a­bel, arti, satuan, tipe data, nilai yang dii­zin­kan, dan kode untuk data hilang. Kolom-kolom inilah yang akan Anda isi di Praktik C4.

variabelartisatuantipenilai_diizinkankode_hilang
individualCountJumlah individu teramatiekorbilangan bulat0 atau lebihNA
eventDateTanggal pengamatan(tanggal)teks ISO 8601YYYY-MM-DDNA
decimalLatitudeLintangderajat desimaldesimal-90 sampai 90NA
Tabel 4. Contoh pengisian kamus data untuk data okurensi.
Riset · Biologi

Kamus data untuk okurensi

Nama vari­a­bel mengi­kuti isti­lah Darwin Core seperti indi­vi­du­al­Co­unt dan even­tDate sehingga data­set Anda mudah dipa­du­kan dengan data GBIF.

Sekolah · Pendidikan Biologi

Codebook untuk angket

Untuk angket, kamus data biasa dise­but code­book. Contoh: skor_minat, minat bela­jar bio­logi, skala 1 sampai 5, 99 = tidak men­ja­wab. Kode untuk tidak men­ja­wab boleh ber­beda asal­kan dije­las­kan.

README meleng­kapi kamus data. Kamus data men­je­las­kan kolom, sedang­kan README men­je­las­kan data­set secara kese­lu­ru­han: siapa penyu­sun­nya, 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 dengan jujur justru mem­buat data lebih diper­caya.

Identitas

  • Judul data­set
  • Kontak penyu­sun
  • Lisensi dan cara sitasi

Asal data

  • Waktu dan lokasi pengum­pu­lan
  • Metode dan alat
  • Daftar berkas

Cara membaca

  • Langkah pengo­la­han
  • Singkatan atau kode
  • Keterbatasan yang dike­ta­hui
Gambar 7. Sembilan unsur README menurut modul TILDA P4, dikelompokkan menjadi tiga.
Tips dan Trik
  • Tulis kamus data sebe­lum mengum­pul­kan data. Kamus data yang ditu­lis lebih dulu ber­fungsi seba­gai ran­ca­ngan for­mu­lir.
  • Pakai tang­gal di awal nama berkas (YYYYMMDD) agar berkas oto­ma­tis teru­rut menu­rut waktu di folder.
  • Jika mema­kai kode 99 untuk “tidak men­ja­wab”, pas­ti­kan kode itu tidak ikut ter­hi­tung dalam rerata. Tuliskan atu­ran­nya di code­book.
Cek Pemahaman · Bab 3Tiga soal singkat sebelum lanjut
1

Sebuah sel berisi “12 ekor”. Aturan Broman dan Woo (2018) mana yang dilang­gar?

Tepat. Angka dan satuan dipisah: 12 di sel, satuan “ekor” di nama kolom.
Belum tepat. Ada dua hal di dalam satu sel.
2

Tanggal penga­ma­tan hanya dike­ta­hui bulan dan tahun­nya, Maret 2026. Penulisan ISO 8601 yang tepat adalah …

Tepat. ISO 8601 boleh berhenti di bulan. Menulis tanggal 01 berarti mengarang hari pengamatan.
Belum tepat. ISO menulis dari besar ke kecil, dan jangan menambah informasi yang tidak diketahui.
3

Apa beda kamus data dan README?

Tepat. Kamus data bekerja per variabel, sedangkan README menjelaskan penyusun, asal data, pengolahan, lisensi, dan keterbatasan.
Belum tepat. Satu dokumen bekerja per kolom, yang lain untuk dataset secara keseluruhan.

Pilih satu jawa­ban; umpan balik muncul lang­sung. Jawaban tidak disim­pan dan tidak dini­lai.

Poin Penting
  • Dua belas aturan Broman dan Woo (2018) men­ce­gah seba­gian besar kesa­la­han di spreadsheet, untuk data lapa­ngan maupun data kelas.
  • Satu sel satu hal, tang­gal ISO, kosong diberi kode, dan warna diganti kolom kete­ra­ngan.
  • Kamus data men­je­las­kan setiap kolom; README men­je­las­kan data­set secara utuh. Di angket, kamus data dise­but code­book.
Jeda Sejenak

Buka satu berkas spreadsheet tera­khir yang Anda buat. Berapa dari dua belas aturan yang sudah ter­pe­nuhi? Aturan mana yang paling mudah Anda mulai minggu ini?

Bab 4

Prinsip FAIR: Data yang Bisa Ditemukan dan Dipakai Ulang

Alur kerja Bab 4Membuat data FAIR
  1. Langkah 1FindablePengenal per­sis­ten dan meta­data yang kaya.
  2. Langkah 2AccessibleProtokol baku; akses diba­tasi bila perlu.
  3. Langkah 3InteroperableFormat ter­buka dan kosa­kata ber­sama.
  4. Langkah 4ReusableLisensi jelas dan asal-usul ter­ca­tat.
  5. Langkah 5FAIR tidak sama dengan ter­bukaData pri­badi tetap ter­ba­tas akses­nya.
Animasi berulang setiap 15 detik dan menyorot satu langkah setiap kali. Tekan Jeda untuk berhenti di langkah yang sedang dibaca.

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 dapat mene­mu­kan­nya, memin­jam­nya, atau tahu apakah buku itu boleh disa­lin. Data pene­li­tian ber­na­sib serupa bila hanya ter­sim­pan di laptop penyu­sun­nya. Wilkinson et al. (2016) meru­mus­kan 15 prin­sip agar data dapat dite­mu­kan (Findable), diak­ses (Accessible), dipa­du­kan dengan data lain (Interoperable), dan dipa­kai ulang (Reusable), baik oleh manu­sia maupun oleh kom­pu­ter. Huruf awal keem­pat kata itu mem­ben­tuk sing­ka­tan FAIR.

F · Findable

Dapat dite­mu­kan. Prinsip F1 sampai F4.

A · Accessible

Dapat diak­ses. Prinsip A1, A1.1, A1.2, A2.

I · Interoperable

Dapat dipa­du­kan. Prinsip I1 sampai I3.

R · Reusable

Dapat dipa­kai ulang. Prinsip R1, R1.1, R1.2, R1.3.

Gambar 8. Empat kelompok prinsip FAIR dan nomor prinsipnya. Diringkas dari Wilkinson et al. (2016).

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

4.2 FAIR di unduhan GBIF

Cara ter­mu­dah mema­hami prin­sip yang abstrak adalah meli­hat con­toh­nya. Unduhan GBIF yang Anda buat di Praktik C1 Pertemuan 3 meme­nuhi banyak prin­sip FAIR. DOI yang Anda catat adalah contoh prin­sip F1, dan akun GBIF yang Anda buat untuk mengun­duh adalah contoh prin­sip A1.2.

KodePrinsip (diringkas)Contoh pada unduhan GBIF
F1Data dan metadata punya pengenal unik dan persistenDOI setiap unduhan
F2Data dijelaskan dengan metadata yang kayaMetadata EML per dataset
F3Metadata mencantumkan pengenal data yang dijelaskannyadatasetKey di setiap rekaman
F4Terdaftar di sumber yang dapat dicariPencarian di gbif.org
A1Dapat diambil lewat pengenal dengan protokol bakuHTTPS dan API
A1.1Protokol terbuka, gratis, dapat diterapkan semua pihakHTTPS
A1.2Protokol mendukung autentikasi bila perluAkun GBIF untuk mengunduh
A2Metadata tetap ada walau data tidak tersedia lagiHalaman DOI unduhan
I1Memakai bahasa representasi pengetahuan yang formal dan umumDarwin Core Archive (tabel + XML)
I2Memakai kosakata yang juga FAIRIstilah Darwin Core
I3Memuat rujukan terkualifikasi ke data lainTautan ke dataset asal dan lembaga penerbit
R1Dijelaskan dengan atribut yang akurat dan relevan50 kolom terdefinisi
R1.1Lisensi pemakaian yang jelasCC0, CC BY, atau CC BY-NC per rekaman
R1.2Asal-usul (provenance) terperincipublishingOrgKey, institutionCode
R1.3Memenuhi standar komunitas bidangnyaStandar Darwin Core dari TDWG
Tabel 5. Lima belas prinsip FAIR pada unduhan GBIF. Sumber: prinsip dari Wilkinson et al. (2016); contoh pada unduhan GBIF dari modul TILDA P4.

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

4.3 FAIR untuk bahan ajar dan data kelas

Prinsip FAIR lahir dari dunia riset, tetapi logi­ka­nya dapat dibawa ke seko­lah. Tabel 6 memuat contoh pene­ra­pan­nya di seko­lah; tabel itu bukan pedo­man resmi. Perhatikan bahwa kolom data kelas selalu memuat pem­ba­ta­san akses, karena nilai dan angket siswa adalah data pri­badi.

PrinsipBahan ajar (LKPD, modul)Data kelas (nilai, angket)
FJudul jelas dan metadata LRMI: fase, kelas, tujuan pembelajaranNama berkas baku, kamus data atau codebook
ATautan stabil di LMS atau repositori sekolah, bukan folder pribadiAkses terbatas untuk guru yang berhak (A1.2)
IFormat terbuka (PDF, ODT, CSV), bukan hanya foto halamanCSV dengan kode baku, misalnya kelas X-1 ditulis seragam
RLisensi jelas, misalnya CC BY 4.0, dan sumber gambar dicantumkanREADME: siapa, kapan, bagaimana data dikumpulkan; nama siswa diganti kode
Tabel 6. Prinsip FAIR untuk bahan ajar dan data kelas. Contoh penerapan di konteks sekolah; LRMI dan lisensi CC dibahas di Pertemuan 3.
Riset · Biologi

Repositori nasional untuk data penelitian

Dataset pene­li­tian dapat disim­pan di Repositori Ilmiah Nasional (RIN) BRIN, yang diba­ngun dengan perang­kat lunak repo­si­tori Dataverse. Kebijakan RIN menye­di­a­kan pili­han lisensi CC0 dan lisensi CC lain­nya, tiga ting­kat akses (ter­buka, ter­ba­tas, ter­tu­tup), dan mewa­jib­kan infor­masi perang­kat lunak dican­tum­kan di meta­data atau README.

Sekolah · Pendidikan Biologi

LKPD yang bisa ditemukan dan dipakai ulang

LKPD buatan Anda men­jadi lebih FAIR jika diberi judul dan meta­data yang jelas, disim­pan di tautan stabil, ter­se­dia dalam format ter­buka, dan ber­li­sensi jelas dengan sumber gambar dican­tum­kan.

Perhatian: data siswa tetap data pribadi

FAIR untuk data kelas berarti ter­do­ku­men­tasi dan dapat dipa­kai ulang oleh pihak yang berhak, bukan dibuka ke publik. Seperti diba­has di Pertemuan 3, data anak ter­ma­suk data pri­badi yang dilin­du­ngi UU No. 27 Tahun 2022 ten­tang Pelindungan Data Pribadi. Kebijakan RIN BRIN juga mewa­jib­kan data pri­badi yang dapat mengi­den­ti­fi­kasi sese­o­rang ditu­tup atau dia­no­nim­kan.

FAIR tidak sama dengan terbuka. Data yang dikunci dengan alasan jelas tetap bisa FAIR.Ringkasan penyusun dari prinsip A1.2 (Wilkinson et al., 2016)
Cheat Sheet

Satu Halaman untuk Menilai dan Merawat Data

Tanya tujuannya dulu

  • Data layak untuk tujuan ter­tentu
  • Cek skala ana­li­sis atau kepu­tu­san
  • Cegah di for­mu­lir, bukan hanya ber­sih­kan

Enam dimensi

  • Akurasi, keleng­ka­pan, keu­ni­kan
  • Konsistensi, kete­pa­tan waktu, vali­di­tas
  • GBIF menan­dai, Anda memu­tus­kan

Perbaiki dengan jejak

  • Kerjakan di sali­nan, bukan data mentah
  • Yang pasti diper­baiki, yang ragu diberi NA
  • Setiap peru­ba­han masuk log

Tata spreadsheet

  • Satu sel satu hal, tang­gal YYYY-MM-DD
  • Tanpa sel gabu­ngan dan warna seba­gai data
  • Nama berkas: tang­gal_lokasi_isi_v01

Dokumentasi

  • Kamus data atau code­book per vari­a­bel
  • README: siapa, kapan, bagai­mana, lisensi
  • Tulis keter­ba­ta­san data dengan jujur

FAIR

  • Pengenal per­sis­ten dan meta­data kaya
  • Format ter­buka dan kosa­kata ber­sama
  • Lisensi jelas; akses ter­ba­tas untuk data pri­badi
Cek Pemahaman · Bab 4Tiga soal singkat sebelum lanjut
1

DOI pada setiap undu­han GBIF adalah contoh prin­sip FAIR yang mana?

Tepat. DOI adalah pengenal unik yang tetap sehingga data bisa ditemukan kembali.
Belum tepat. Prinsip mana yang berbicara tentang pengenal?
2

Data nilai siswa hanya bisa diak­ses guru yang ber­we­nang. Apakah data itu masih bisa FAIR?

Tepat. FAIR tidak sama dengan terbuka. Data yang dikunci dengan alasan jelas tetap bisa FAIR.
Belum tepat. Ingat salah paham yang diluruskan di subbab 4.1.
3

LKPD buatan Anda hanya ter­sim­pan seba­gai foto hala­man di folder pri­badi. Prinsip mana yang paling jelas belum ter­pe­nuhi?

Tepat. Folder pribadi bukan tautan stabil (A), dan foto halaman bukan format terbuka seperti PDF, ODT, atau CSV (I).
Belum tepat. Lihat kolom bahan ajar pada Tabel 6.

Pilih satu jawa­ban; umpan balik muncul lang­sung. Jawaban tidak disim­pan dan tidak dini­lai.

Poin Penting
  • FAIR memuat 15 prin­sip dalam empat kelom­pok: Findable, Accessible, Interoperable, Reusable (Wilkinson et al., 2016).
  • Unduhan GBIF adalah contoh nyata: DOI (F1), akun untuk mengun­duh (A1.2), Darwin Core (I1, I2, R1.3), lisensi per reka­man (R1.1).
  • FAIR tidak sama dengan ter­buka: data siswa dan lokasi spe­sies teran­cam bisa FAIR dengan akses ter­ba­tas.
Jeda Sejenak

Jika LKPD atau data­set tera­khir Anda dicari orang lain lima tahun lagi, prin­sip FAIR mana yang paling mung­kin mem­bu­at­nya tidak bisa dite­mu­kan atau dipa­kai?

Praktik

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. Semua hasil­nya disim­pan dalam satu berkas kerja kelom­pok, dan berkas inilah yang men­jadi hasil ana­li­sis kua­li­tas data­set di bagian Tugas. Kerjakan secara beru­ru­tan, karena setiap lang­kah menyi­ap­kan lang­kah beri­kut­nya.

Dataset latihan

Berkas Dataset_Latihan_TILDA_P04_P07.xlsx, sheet P04_okurensi: 30 baris, kolom A sampai J. Seluruh isinya data simu­lasi yang sengaja diberi kesa­la­han untuk lati­han. Berkas diba­gi­kan oleh dosen.

Alur kerja PraktikAudit data okurensi dalam lima langkah
  1. Langkah 1C1 · Amankan data mentahSalinan berkas, sheet kerja, sheet log.
  2. Langkah 2C2 · Deteksi per dimensiRumus bantu mulai kolom L.
  3. Langkah 3C3 · Perbaiki dan catatYang pasti diper­baiki, yang ragu diberi NA.
  4. Langkah 4C4 · Kamus data dan READMESatu baris per vari­a­bel.
  5. Langkah 5C5 · AI seba­gai peme­riksaBenar, ter­le­wat, atau salah?
Gambar 9. Lima prosedur praktik Pertemuan 4. Animasi berulang setiap 15 detik; tekan Jeda untuk berhenti.

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.

01Simpan salinanNama baru NIM_P04_okurensi_v01.xlsx. Berkas asli tidak disunting.
02Duplikasi sheetKlik kanan tab P04_okurensi › Move or Copy › Create a copy. Ganti nama salinan menjadi kerja.
03Buat sheet logSheet log_perubahan dengan kolom occurrenceID, kolom, nilai_lama, nilai_baru, alasan.

Susunan sheet di akhir prak­tik:

P04_okurensikerjalog_perubahankamus_dataREADME
Gambar 10. Sheet asli tidak disunting; semua perbaikan dilakukan di sheet kerja (disorot); setiap perubahan dicatat di log; kamus data dan README dibuat di C4.

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.

Kelengkapan

=COUNTBLANK(D2:D31)
=COUNTBLANK(G2:G31)
=COUNTBLANK(H2:H31)

Jumlah sel kosong per kolom. Ketik sekali, tidak disa­lin ke bawah.

Keunikan

=COUNTIF($A$2:$A$31;A2)>1

TRUE = ID muncul lebih dari sekali.

Validitas tanggal

Rumus pan­jang, lihat kotak di bawah.

FALSE = bukan ISO 8601 atau tang­gal tidak ada.

Validitas jumlah

=AND(ISNUMBER(G2);G2>=0)

FALSE = teks, kosong, atau nega­tif.

Akurasi koordinat

=AND(D2>=3;D2<=4;E2>=98;E2<=99)

FALSE = di luar kotak wila­yah Medan (lin­tang 3 sampai 4, bujur 98 sampai 99).

Konsistensi nama

=UNIQUE(B2:B31) di Excel 365, atau panah filter di kolom B.

Daftar nama ber­beda; cari vari­asi penu­li­san.

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)
Pemisah rumus

Rumus di modul ini mema­kai pemi­sah titik koma (;) untuk penga­tu­ran regi­o­nal Indonesia. Jika Excel Anda mema­kai English (United States), ganti setiap ; dengan koma (,).

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. Untuk setiap dimensi, catat alat atau rumus yang dipa­kai, jumlah temuan, dan occur­ren­ceID yang ber­ma­sa­lah.

C3. Memperbaiki dan mencatat

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

Nilai lamaNilai baruTindakanAlasan
rasbora sumatranaRasbora sumatranaPerbaikiHuruf awal kapital, spasi berlebih dibuang
R. sumatranaRasbora sumatranaPerbaikiSingkatan diperluas dengan Replace
ChanaChannaPerbaikiSalah ketik
Puntius binotatusBarbodes binotatusPerbaikiNama lama; cek dulu di gbif.org/species
12 ekor12PerbaikiSatu sel satu hal
lintang 98,65; bujur 3,57lintang 3,57; bujur 98,65PerbaikiTertukar, polanya jelas
2026-02-30NABeri NATanggal mustahil; jangan ditebak
0, 0NABeri NABukan diisi angka karangan
-3NABeri NANilai negatif tidak dapat dipastikan
Tabel 7. Contoh keputusan perbaikan data. Setiap baris di tabel ini menjadi satu baris di sheet log_perubahan. Contoh nilai ilustratif.

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.
Perhatian

Remove Duplicates meng­ha­pus baris secara per­ma­nen. Kerjakan hanya di sheet kerja, jangan di sheet P04_oku­rensi. Jika ragu, salin dulu sheet kerja sebe­lum men­ja­lan­kan­nya.

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

Sheet kamus_data

Kolom: vari­a­bel, arti, satuan, tipe, nilai_dii­zin­kan, kode_hilang. Isi satu baris untuk setiap kolom A sampai J.

Sheet README, minimal

Judul data­set, penyu­sun, sumber (data simu­lasi lati­han), daftar sheet, lang­kah pem­ber­si­han, kode NA, dan keter­ba­ta­san.

Pastikan kamus data memuat mini­mal lima vari­a­bel. 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 memi­liki pem­ban­ding untuk meni­lai jawa­ban AI.

  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 dengan kolom prompt, klaim_ai, sumber_cek, dan status. Log ini disim­pan seba­gai sheet tam­ba­han di berkas kerja.

Benar

Temuan AI cocok dengan temuan kelom­pok Anda.

Terlewat

Kelompok Anda mene­mu­kan­nya, AI tidak.

Salah

AI menye­but masa­lah yang sebe­nar­nya tidak ada.

Gambar 11. Tiga kategori untuk menandai setiap klaim AI di log verifikasi.
Perhatian: etika memakai AI

Data lati­han ini boleh ditem­pel ke AI karena simu­lasi. Data pene­li­tian sung­gu­han yang belum terbit, data lokasi spe­sies dilin­du­ngi, dan data pri­badi res­pon­den, ter­ma­suk nilai dan data siswa, tidak boleh ditem­pel ke chatbot publik.

Poin Penting
  • Amankan data mentah dulu: sali­nan berkas, sheet kerja, dan sheet log.
  • Deteksi dengan rumus per dimensi, per­baiki yang pasti, beri NA yang tidak pasti, dan catat setiap peru­ba­han.
  • Dokumentasikan dengan kamus data dan README; pakai AI seba­gai peme­riksa kedua yang hasil­nya dive­ri­fi­kasi.
Aktivitas dan Penugasan

Dari Membaca ke Mengaudit: Aktivitas dan Tugas Pertemuan 4

Pertemuan tatap muka ber­lang­sung 2 × 50 menit dengan metode case method (bela­jar dari kasus), collaborative learning (bela­jar dalam kelom­pok), pre­sen­tasi, dan peer review (saling meni­lai hasil kerja antar­ke­lom­pok). Bagian ter­pan­jang adalah prak­tik (40 menit), ditam­bah 10 menit untuk pro­se­dur C5 dengan AI. Setelah kelas, Anda menye­rah­kan CBR final ber­sama hasil ana­li­sis kua­li­tas data­set dan hasil peer review. Rangkaian ini diran­cang untuk mela­tih keju­ju­ran, kete­ku­nan, tang­gung jawab, keman­di­rian, dan etika ber­ko­mu­ni­kasi.

A. Alur kegiatan tatap muka (100 menit)

Buka: apersepsi5′
Teori: Bab 1 sampai 420′
Praktik: C1 sampai C440′
AI: C510′
Peer review15′
Tutup10′
0 menit40 menit
Gambar 12. Durasi tiap tahap dalam menit, skala mulai dari 0. Praktik (kuning) mengambil 40 dari 100 menit.
TahapWaktuKegiatan
Buka5 menitApersepsi: “Jika satu baris data salah koordinat, apakah peta sebaran masih bisa dipercaya?”
Teori20 menitCeramah interaktif: kualitas data, penanda GBIF, menata data di spreadsheet, prinsip FAIR
Praktik40 menitKelompok 3 sampai 4 orang mengerjakan prosedur C1 sampai C4 pada sheet P04_okurensi
AI10 menitProsedur C5: AI sebagai asisten pemeriksa, lalu diverifikasi manual
Peer review15 menitKelompok bertukar berkas kerja dan menilainya memakai rubrik di bagian C
Tutup10 menitDua kelompok mempresentasikan rekomendasi perbaikan; pengingat unggah CBR final
Mandiridi luar kelasMenyelesaikan CBR final dan merapikan berkas analisis kualitas dataset
Tabel 8. Rancangan kegiatan tatap muka Pertemuan 4. Sumber: modul TILDA P4.

B. Hasil analisis kualitas dataset

Hasil ana­li­sis kua­li­tas data­set adalah berkas kerja kelom­pok dari Praktik C1 sampai C5, misal­nya NIM_P04_okurensi_v01.xlsx. Berkas ini menun­juk­kan apa yang Anda periksa, apa yang Anda ubah, dan mengapa. Sheet asli P04_okurensi tetap utuh.

1 · Sheet kerja

Data yang sudah dipe­riksa per dimensi dan diper­baiki (C2 dan C3).

2 · log_perubahan

Satu baris untuk setiap peru­ba­han: occur­ren­ceID, kolom, nilai lama, nilai baru, alasan (C3).

3 · kamus_data

Satu baris per vari­a­bel: arti, satuan, tipe, nilai yang dii­zin­kan, kode data hilang (C4).

4 · README

Judul, penyu­sun, sumber, daftar sheet, lang­kah pem­ber­si­han, kode NA, keter­ba­ta­san (C4).

5 · Log verifikasi AI

Prompt, klaim AI, sumber cek, dan status benar, ter­le­wat, atau salah (C5).

Ingat

Nilai yang tidak pasti diberi NA, tidak dite­bak.

C. Rubrik peer review

Setiap kelom­pok meni­lai berkas kerja 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.

KriteriaSkor 4 jika
Ketepatan deteksiMasalah di keenam dimensi ditemukan dengan rumus yang tepat
Ketepatan perbaikanPerbaikan masuk akal; nilai yang tidak pasti diberi NA, tidak ditebak
KeterlacakanSetiap perubahan tercatat di log
DokumentasiKamus data dan README lengkap dan jelas
Tabel 9. Rubrik peer review berkas kerja. Sumber: modul TILDA P4.
Etika berkomunikasi saat peer review
  • Sebut occur­ren­ceID reka­man yang Anda komen­tari, agar kelom­pok lain bisa lang­sung mene­mu­kan­nya.
  • Beri saran per­bai­kan, bukan seka­dar menye­but kesa­la­han.
  • Nilai hasil ker­ja­nya, bukan orang­nya.

D. CBR final, tugas individu

CBR final melan­jut­kan CBR tahap 1 yang Anda kum­pul­kan di Pertemuan 3. Ulasan ini dikum­pul­kan ber­sama hasil ana­li­sis kua­li­tas data­set dan hasil peer review. Strukturnya sepu­luh bagian:

1

Sampul

2

Identitas buku

3

Pendahuluan

4

Ringkasan isi

5

Analisis kele­bi­han

6

Analisis kele­ma­han

7

Perbandingan dengan mini­mal 3 sumber lain

8

Relevansi bagi pem­be­la­ja­ran bio­logi

9

Kesimpulan

10

Daftar pus­taka APA 7

Gambar 13. Struktur CBR final. Bagian 8 diarahkan sesuai prodi.
Biologi

Bagian 8

Dapat dikait­kan dengan riset bio­logi, misal­nya pengo­la­han data pene­li­tian.

Pendidikan Biologi

Bagian 8

Dikaitkan dengan pem­be­la­ja­ran bio­logi di SMA dan CP Biologi.

E. Penilaian

ProdukKriteria utama
Analisis kualitas datasetDinilai dengan rubrik khusus tugas analisis data di RPS: kualitas data, data cleaning, pengolahan, analisis dan interpretasi, visualisasi, etika akademik.
CBR finalStruktur 10 bagian lengkap, analisis kelebihan dan kelemahan yang berdasar, perbandingan dengan minimal 3 sumber lain, daftar pustaka APA 7, presentasi.
Tabel 10. Kriteria penilaian Pertemuan 4. Sumber: modul TILDA P4; bobot tagihan pertemuan ini 5% dari nilai akhir.
Poin Penting Pengumpulan
  • Kumpulkan CBR final beserta hasil ana­li­sis kua­li­tas data­set dan hasil peer review.
  • Tenggat dan cara pengum­pu­lan: [teng­gat dan cara pengum­pu­lan].
  • Pakai nama berkas yang ber­makna, misal­nya NIM_P04_okurensi_v01.xlsx untuk berkas prak­tik.
Pojok Refleksi

Kembali ke Raka dan Nadira, Kembali ke Data Anda

Ingat Raka dan peta ikan Sungai Deli di awal modul? Kini Anda dapat meni­lai­nya dengan enam dimensi. Variasi penu­li­san nama spe­sies adalah masa­lah kon­sis­tensi yang boleh diper­baiki, karena pola­nya jelas. Tanggal “14/03/26” adalah masa­lah vali­di­tas yang juga dapat 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. Raka cukup menan­dai koor­di­nat kosong dengan NA, men­ca­tat baris yang ia buang beserta ala­san­nya di log, dan menu­lis di README bahwa peta hanya mema­kai reka­man yang memi­liki koor­di­nat. Petanya mung­kin memuat lebih sedi­kit titik, tetapi setiap titik­nya dapat diper­tang­gung­ja­wab­kan. Nadira, yang rerata kelas­nya ter­lalu bagus di Bab 2, men­da­pat pela­ja­ran yang sama dari sisi lain: kesa­la­han yang paling murah adalah kesa­la­han yang sudah dice­gah oleh for­mu­lir.

Pertanyaan untuk Direnungkan

1. Kesalahan data mana di modul ini yang paling mung­kin ter­jadi pada Anda, dan mengapa?

2. Jika data prak­ti­kum atau pene­li­tian Anda dipe­riksa orang lain besok pagi, apakah setiap peru­ba­han­nya bisa dite­lu­suri?

3. Kapan Anda ter­goda mengisi sel kosong dengan per­ki­raan? Apa yang akan Anda laku­kan ber­beda?

4. Prinsip FAIR mana yang paling sulit dite­rap­kan pada data Anda sen­diri?

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, agar orang lain dapat meme­riksa dan melan­jut­kan peker­jaan Anda. Aturan menata data dari per­te­muan ini akan Anda pakai lagi pada Pertemuan 7.

“Data yang bisa ditelusuri lebih berharga daripada data yang tampak rapi.”
Rujukan

Glosarium dan Daftar Pustaka

Glosarium

IstilahArti sederhana
Fitness for useKelayakan data untuk tujuan pemakaian tertentu
Dimensi kualitas dataSisi yang diperiksa untuk menilai kualitas: akurasi, kelengkapan, keunikan, konsistensi, ketepatan waktu, validitas
OkurensiCatatan keberadaan suatu organisme di tempat dan waktu tertentu
Penanda (flag)Tanda otomatis dari GBIF pada rekaman yang diduga bermasalah; rekaman tidak dihapus
NAKode tetap untuk data yang hilang atau tidak dapat dipastikan
Log perubahanCatatan setiap perubahan data: ID, kolom, nilai lama, nilai baru, alasan
ISO 8601Standar penulisan tanggal dari besar ke kecil: YYYY-MM-DD (2026-03-14), atau sampai bulan saja (2026-03)
Kamus dataTabel yang menjelaskan setiap variabel: arti, satuan, tipe, nilai yang diizinkan, kode data hilang
CodebookKamus data untuk angket atau survei, termasuk arti setiap kode jawaban
READMEBerkas yang menjelaskan dataset secara utuh: penyusun, asal data, langkah pengolahan, lisensi, keterbatasan
Darwin CoreKosakata baku untuk data keanekaragaman hayati, dipakai GBIF
DOIPengenal digital persisten untuk artikel, dataset, atau unduhan
FAIRPrinsip agar data dapat ditemukan, diakses, dipadukan, dan dipakai ulang
ProvenanceAsal-usul data: siapa yang menghasilkan dan menerbitkannya
Data ValidationFitur spreadsheet yang membatasi isian sel, misalnya daftar pilihan atau rentang angka
Peer reviewPenilaian hasil kerja oleh sesama mahasiswa atau sesama peneliti
Guru pamongGuru di sekolah mitra yang membimbing mahasiswa selama PLP
Pemformatan bersyaratConditional formatting; fitur spreadsheet yang mewarnai sel bila isinya memenuhi syarat tertentu, misalnya nilai di luar 0 sampai 100
Rekaman residuIstilah Data Referensi Kemendikdasmen untuk rekaman yang tidak lengkap, ganda, atau belum cocok dengan data Dukcapil

Daftar Pustaka

Badan Riset dan Inovasi Nasional. (2023). Kebijakan pengelolaan Repositori Ilmiah Nasional (RIN). https://rin.brin.go.id/upload/kebijakan_pengelolaan_rin_2023.pdf

Broman, K. W., & Woo, K. H. (2018). Data organization in spreadsheets. The American Statistician, 72(1), 2-10. https://doi.org/10.1080/00031305.2017.1375989

Chapman, A. D. (2005). Principles of data quality. Global Biodiversity Information Facility. https://doi.org/10.15468/doc.jrgg-a190

DAMA UK Working Group on Data Quality Dimensions. (2013). The six primary dimensions for data quality assessment. DAMA UK.

GBIF Secretariat. (2026). Occurrence issues and flags. Diakses 15 Oktober 2026 dari https://techdocs.gbif.org/en/data-use/occurrence-issues-and-flags

Government Data Quality Hub. (2021, 24 Juni). Meet the data quality dimensions. GOV.UK. https://www.gov.uk/government/news/meet-the-data-quality-dimensions

Kemendikdasmen. (2026). Data Referensi [laman residu]. Diakses Oktober 2026 dari https://referensi.data.kemdikbud.go.id/residu

Microsoft. (t.t.). Filter for or remove duplicate values. Microsoft Support. Diakses 15 Oktober 2026 dari https://support.microsoft.com/en-us/excel/filter-for-or-remove-duplicate-values

Undang-Undang Republik Indonesia Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi. https://peraturan.bpk.go.id/Details/229798/uu-no-27-tahun-2022

Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018. https://doi.org/10.1038/sdata.2016.18

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

Beranda

Selamat Datang di Pertemuan 4

Selamat datang di per­te­muan keem­pat. Pada Pertemuan 3 Anda sudah menge­nal jenis, sumber, struk­tur, dan format data bio­logi. Kini saat­nya ber­ta­nya apakah data itu layak dipa­kai, bagai­mana mera­pi­kan­nya tanpa meng­hi­lang­kan jejak peru­ba­han­nya, dan sebe­rapa mudah data itu dite­mu­kan dan dipa­kai ulang oleh orang lain. Modul ini disu­sun untuk dua prodi seka­li­gus, dengan contoh riset untuk maha­siswa Biologi dan contoh seko­lah untuk maha­siswa Pendidikan Biologi. Konsep di balik kedua jenis contoh itu sama. Bacalah bagian demi bagian secara beru­ru­tan, karena setiap bab menyi­ap­kan alat yang dipa­kai di prak­tik.

Identitas Modul
Mata kuliahTeknologi Informasi dan Literasi Data (TILDA), 2 SKS, semester 3
PertemuanKe-4: Kualitas Data, Metadata, dan Prinsip FAIR
Sub-CPMKMenganalisis jenis data biologi, sumber data, struktur data, format data, metadata, serta aspek kualitas data untuk mendukung kegiatan ilmiah.
IndikatorMenganalisis kualitas data berdasarkan aspek akurasi, kelengkapan, konsistensi, validitas, dan metadata.
MetodeCase method, collaborative learning, presentasi, peer review
MediaLaptop/PC, proyektor, LMS, Microsoft Excel/Google Sheets, ChatGPT/Copilot/Gemini, Google Scholar, buku referensi, berkas Dataset_Latihan_TILDA_P04_P07.xlsx, rubrik peer review
Nilai karakterKejujuran, ketekunan, tanggung jawab, kemandirian, etika berkomunikasi
TagihanCBR final (individu) beserta hasil analisis kualitas dataset dan hasil peer review
Bobot penilaian5% dari nilai akhir
Alokasi waktu2 × 50 menit tatap muka, ditambah penugasan terstruktur dan belajar mandiri

Setelah mempelajari modul ini, Anda mampu:

  1. Menjelaskan kua­li­tas data seba­gai kela­ya­kan untuk tujuan pema­kaian ter­tentu.
  2. Mendeteksi masa­lah kua­li­tas data ber­da­sar­kan enam dimensi, ter­ma­suk mem­baca penanda kua­li­tas GBIF.
  3. Memperbaiki data secara ter­do­ku­men­tasi dan dapat dite­lu­suri.
  4. Menyusun kamus data atau code­book dan README.
  5. Menilai sebuah data­set dengan prin­sip FAIR.
  6. Menerapkan semua kete­ram­pi­lan itu pada data riset bio­logi atau data kelas bio­logi sesuai prodi Anda.

Pengantar

Satu baris yang meng­ge­ser peta

Bab 1

Kualitas data: layak untuk tujuan ter­tentu

Bab 2

Enam dimensi, data kelas, penanda GBIF

Bab 3

Dua belas aturan, kamus data, README

Bab 4

Prinsip FAIR di GBIF dan di seko­lah

Praktik

Audit data oku­rensi C1 sampai C5

Tugas

Analisis data­set, peer review, CBR final

Refleksi

Kembali ke Raka dan Nadira

Peta modul. Bab 1 sampai 4 menyiapkan alat yang dipakai di praktik dan tugas.
Cara Memakai E-Modul Ini

Gunakan menu di bagian atas untuk ber­pin­dah bagian, atau tombol di bagian bawah setiap hala­man untuk melan­jut­kan. Setiap bagian memi­liki alamat sen­diri sehingga Anda dapat menyim­pan atau mem­ba­gi­kan tautan ke satu bab.

  • Kotak ber­ga­ris tepi hijau tua berisi Poin Penting.
  • Kotak ber­ga­ris tepi kuning berisi Tips.
  • Kotak ber­ga­ris putus-putus berisi Studi Kasus.
  • Kotak ber­la­tar hijau tua berisi Jeda Sejenak untuk mere­nung.
  • Kotak ber­la­tar merah muda berisi Perhatian.
  • Label hijau tua menan­dai contoh untuk prodi Biologi; label kuning menan­dai contoh untuk prodi Pendidikan Biologi.

Setiap bab dibuka dengan timeline (garis waktu) ber­ge­rak yang merang­kum lang­kah ker­ja­nya dan ditu­tup dengan kuis Cek Pemahaman. Siapkan Excel atau Google Sheets serta berkas data­set lati­han dari dosen sebe­lum mem­buka hala­man Praktik.

Leave a Reply

Your email address will not be published. Required fields are marked *

Previous post Jenis, Sumber, Struktur, dan Format Data Biologi
Next post Penelusuran Literatur Ilmiah dan Manajemen Referensi