E-Modul Pertemuan 7 · Teknologi Informasi dan Literasi Data (TILDA)

Dari Data Mentah ke Grafik yang Jujur

Pengolahan, Analisis Deskriptif, dan Visualisasi Data Biologi untuk Riset dan Sekolah

BiologiPendidikan Biologi

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

Pengantar

Dari Pasar ke Meja Makan

Arsik ikan mas tidak disajikan langsung dari pasar. Ikannya dibersihkan dulu, sisiknya dibuang, bumbunya dihaluskan, andalimannya dipilih, lalu semuanya dimasak dengan urutan yang tepat. Barulah hidangan ditata di piring. Juru masak yang baik juga tahu bahwa ikan yang busuk tidak akan menjadi enak hanya karena disajikan di piring yang indah.

Data penelitian bekerja dengan cara serupa. Angka yang baru dicatat dari lembar pengamatan atau diunduh dari GBIF dan BPS adalah bahan mentah. Angka itu perlu ditata, dibersihkan, diolah menjadi statistik, lalu disajikan sebagai tabel dan grafik yang jujur. Pada Pertemuan 3 Anda sudah mengenal jenis dan format data biologi. Pertemuan ini mengajak Anda mengolah data itu sendiri dengan spreadsheet sampai menjadi grafik dan infografis yang siap dibaca orang lain.

Dari pasar ke meja makanPerjalanan data dalam sebelas detik

↻ Putar ulang

PasarData mentah berserakan
DapurDibersihkan dan ditata
KomporDiolah menjadi statistik
Meja makanDisajikan sebagai grafik

Angka merah adalah kesalahan khas data mentah: spasi berlebih, huruf kapital tidak seragam, koma desimal hilang, data hilang yang diisi 0, dan satuan di dalam sel. Animasi diputar setiap kali halaman ini dibuka; data simulasi.

Riset · Biologi

Anda akan mengolah data pengamatan

Misalnya tinggi kecambah dari praktikum, data okurensi GBIF, atau statistik perikanan BPS, sampai siap dilaporkan dalam artikel atau Mini Riset.

Sekolah · Pendidikan Biologi

Anda akan mengolah data pembelajaran

Misalnya data praktikum perkecambahan siswa SMA atau skor tes dan angket, lalu menyajikannya dengan grafik yang mudah dipahami siswa.

Apersepsi: mana grafik yang lebih jujur?

Dua grafik di bawah ini dibuat dari data yang sama persis: tinggi kecambah pada dua perlakuan, sepuluh ulangan masing-masing. Grafik mana yang lebih jujur menggambarkan datanya? Tentukan pilihan Anda beserta alasannya, baru buka pembahasan.

Grafik A · batang rerata

Grafik B · setiap titik data

Gambar 1. Dua grafik dari data simulasi yang sama: tinggi kecambah (cm) pada perlakuan P dan Q, n = 10 per perlakuan.

Lihat pembahasan

Grafik B lebih jujur. Pada Grafik A kedua perlakuan tampak sama persis karena reratanya memang sama, yaitu 10,05 cm. Grafik B memperlihatkan apa yang disembunyikan batang: kecambah perlakuan P tumbuh seragam di sekitar 10 cm, sedangkan perlakuan Q terbelah menjadi dua kelompok, sekitar 6 sampai 7 cm dan sekitar 13 sampai 14 cm. Pola seperti itu bisa menandakan dua kelompok benih yang berbeda atau kesalahan pencatatan, dan perlu diperiksa sebelum disimpulkan.

Inilah peringatan Weissgerber et al. (2015): grafik batang rerata untuk data kontinu dapat menyembunyikan sebaran data. Bab 4 membahas cara memilih grafik yang tepat.

Studi Kasus Mini · Raka dan Nadira Mengolah Data Pertama MerekaKisah rekaan untuk ilustrasi, lanjutan dari Pertemuan 5 dan 6

Raka dan Nadiramalam sebelum praktikum olah data

↻ Putar ulang

RakaNad, data kecambah kelompokku aneh. Harusnya 60 baris, kok jadi 62?

RakaAda satu sel kosong, kuisi 0 saja supaya rumusnya jalan.

RakaLabel perlakuannya juga campur: gelap, Gelap, GELAP. Terus ada kecambah umur tujuh hari yang tingginya 141 cm.

RakaAnehnya, di grafik batangku perlakuan gelap malah paling rendah. Padahal dugaanku paling tinggi.

NadiraAku juga lagi mengolah skor angket literasi data dua kelas SMA buat tugas.

NadiraKubuat diagram lingkaran 3D, sembilan potongan, warnanya merah dan hijau biar meriah.

NadiraKesimpulanku: rerata kelas A lebih tinggi. Sudah, begitu saja cukup, kan?

Apa saja yang perlu diperbaiki Raka dan Nadira? Catat dugaan Anda. Kita kembali ke mereka di Pojok Refleksi.

“Data yang kotor tidak menjadi bersih hanya karena grafiknya indah.”Begitu pula manusia hanyalah seonggok daging penuh cela yang tidak menjadi abadi hanya karena status sosialnya tinggi dan feed Instagram-nya rapi.

Poin Penting

Pertemuan 7 berfokus pada mengolah, menganalisis, dan menyajikan data biologi dengan spreadsheet.
Urutannya tetap: tata, bersihkan, hitung, lalu sajikan. Melompati satu tahap membuat hasil akhir menyesatkan.
Semua keterampilan ini dipakai untuk Mini Riset 1, tugas kelompok yang berlanjut sampai setelah UTS.

Bab 1

Alur Pengolahan Data dan Bentuk Tidy

Sebelum menyentuh rumus atau grafik, kenali dulu alurnya. Data melewati beberapa tahap, dan setiap tahap punya pekerjaan yang jelas di spreadsheet. Bab ini juga membahas satu keputusan sederhana yang menentukan mudah atau sulitnya seluruh tahap berikutnya: bentuk tabel.

Alur kerja Bab 1Alur data dari lapangan sampai pembaca

❚❚ Jeda▶ Putar

Langkah 1KumpulkanLembar pengamatan praktikum, unduhan GBIF, atau tabel BPS.
Langkah 2Tata menjadi tidySatu kolom satu variabel, satu baris satu pengamatan, plus kamus data.
Langkah 3BersihkanLabel, sel teks, data hilang, baris ganda, dan pencilan.
Langkah 4Analisisn, rerata, median, SD, dan SE per kelompok.
Langkah 5SajikanGrafik bertajuk lengkap, infografis, atau dasbor.

Animasi berulang setiap 15 detik dan menyorot satu langkah setiap kali. Tekan Jeda untuk berhenti di langkah yang sedang dibaca.

1.1 Tahap-tahap pengolahan data

Model siklus hidup data DataONE (Michener, 2015) menyebut delapan tahap: Plan, Collect, Assure, Describe, Preserve, Discover, Integrate, dan Analyze. Tabel 1 memetakan tahap itu ke pekerjaan yang Anda lakukan di spreadsheet. Visualisasi dan komunikasi bukan tahap tersendiri di DataONE, sehingga di sini diperlakukan sebagai lanjutan analisis.

Tahap di kelas	DataONE	Kegiatan di spreadsheet
Pengumpulan	Collect	Lembar pengamatan praktikum, unduhan GBIF atau BPS
Pengorganisasian	Describe	Tata letak tidy, kamus data, nama variabel konsisten
Pembersihan	Assure	TRIM, Remove Duplicates, validasi, sel kosong, pencilan
Transformasi dan tabulasi	Integrate	Mengubah satuan, menggabungkan tabel, PivotTable
Analisis	Analyze	AVERAGE, STDEV.S, QUARTILE.INC, Analysis ToolPak
Visualisasi dan interpretasi	Analyze + Describe	Grafik bertajuk lengkap dengan satuan
Komunikasi	Preserve + Discover	Infografis atau dasbor, arsip data mentah

Tabel 1. Tahap pengolahan data di kelas dan padanannya pada siklus hidup data DataONE. Sumber: modul TILDA P7, merujuk Michener (2015).

Biologi

Sumber data yang khas

Lembar pengamatan praktikum, unduhan okurensi GBIF, statistik perikanan atau kehutanan BPS, dan data penelitian di RIN BRIN.

Pendidikan Biologi

Sumber data yang khas

Lembar kerja praktikum siswa, skor pretest dan posttest, angket sikap atau literasi, dan hasil observasi keterlaksanaan pembelajaran.

1.2 Bentuk lebar dan bentuk tidy

Tabel BPS dan lembar praktikum sering berbentuk lebar: setiap ulangan atau tahun dijadikan kolom tersendiri. Bentuk ini enak dibaca mata, tetapi PivotTable, Looker Studio, Tableau, dan Power BI membutuhkan bentuk panjang yang disebut tidy. Dalam bentuk tidy, setiap kolom berisi satu variabel, setiap baris berisi satu pengamatan, dan setiap sel berisi satu nilai. Bandingkan keduanya pada Gambar 2.

Bentuk tabel: Lebar · ulangan menjadi kolom Tidy · satu baris satu pengamatan

perlakuan	U1	U2	U3
Gelap	14,1	13,8	15,0
Cahaya 50%	8,7	9,2	8,1

Enak dibaca, sulit diolah. Nilai tinggi kecambah tersebar di tiga kolom (U1, U2, U3). Nomor ulangan bersembunyi di nama kolom, bukan di dalam data.

Akibatnya PivotTable tidak bisa langsung menghitung rerata per perlakuan, dan menambah ulangan keempat berarti menambah kolom baru.

perlakuan	ulangan	tinggi_cm
Gelap	1	14,1
Gelap	2	13,8
Gelap	3	15,0
Cahaya 50%	1	8,7
Cahaya 50%	2	9,2
Cahaya 50%	3	8,1

Satu kolom satu variabel: perlakuan, ulangan, dan tinggi masing-masing punya kolom sendiri.

Satu baris satu pengamatan: satu kecambah, satu baris.

Satu sel satu nilai: angka saja, tanpa satuan; satuannya ditulis di nama kolom.

Gambar 2. Data yang sama dalam bentuk lebar dan bentuk tidy. Angka ilustratif dari modul TILDA P7.

Bentuk tidy juga memudahkan pembersihan. Broman dan Woo (2018) menyarankan data disimpan sebagai satu persegi panjang yang rapi, dengan satu nilai di setiap sel dan nama variabel yang konsisten. Keterangan tentang setiap kolom ditulis di kamus data, bukan di dalam sel atau dengan warna sel.

Kolom	Arti	Aturan isian
`id_sampel`	Kode unik setiap kecambah	Teks, tidak boleh ganda
`perlakuan`	Kondisi cahaya	Gelap, Cahaya 25%, Cahaya 50%, atau Cahaya 100%
`ulangan`	Nomor ulangan dalam perlakuan	Bilangan bulat 1 sampai 15
`tinggi_cm_h7`	Tinggi kecambah hari ke-7	Angka dalam cm, satu desimal; NA bila tidak terukur
`tanggal_ukur`	Tanggal pengukuran	Format YYYY-MM-DD

Tabel 2. Contoh kamus data untuk data kecambah. Sesuaikan nama kolom dengan dataset Anda.

Tips: nama variabel yang baik

Pakai huruf kecil, ganti spasi dengan garis bawah, dan sertakan satuan bila perlu: tinggi_cm_h7 lebih jelas daripada Tinggi (cm) hari 7. Nama yang konsisten membuat rumus, PivotTable, dan dasbor lebih mudah disusun.

Cek Pemahaman · Bab 1Tiga soal singkat sebelum lanjut

Tabel praktikum menuliskan ulangan U1, U2, dan U3 sebagai kolom terpisah. Bentuk tabel apakah ini?

Bentuk lebarBentuk tidyKamus data

Tepat. Dalam bentuk lebar, nilai satu variabel tersebar di beberapa kolom. Untuk diolah dengan PivotTable atau dasbor, ubah menjadi tidy.

Belum tepat. Perhatikan bahwa nilai tinggi kecambah tersebar di tiga kolom. Bandingkan dengan Gambar 2.

Mana yang sesuai dengan prinsip data tidy?

Satu sel berisi “12,4 cm”Satu kolom satu variabel dan satu baris satu pengamatanWarna sel dipakai untuk menandai perlakuan

Tepat. Satuan ditulis di nama kolom, bukan di dalam sel, dan warna sel bukan data.

Belum tepat. Ingat tiga aturan pada Gambar 2: kolom, baris, dan sel.

Pada siklus hidup data DataONE, pembersihan data termasuk tahap apa?

PreserveDiscoverAssure

Tepat. Assure berarti memastikan mutu data: label, sel kosong, baris ganda, dan pencilan diperiksa di tahap ini.

Belum tepat. Lihat lagi Tabel 1 pada baris Pembersihan.

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

Poin Penting

Pengolahan data bergerak dari pengumpulan, pengorganisasian, pembersihan, transformasi, analisis, sampai visualisasi dan komunikasi.
Bentuk tidy: satu kolom satu variabel, satu baris satu pengamatan, satu sel satu nilai.
Kamus data menjelaskan arti dan aturan isian setiap kolom.

Jeda Sejenak

Ingat satu tabel praktikum yang pernah Anda isi. Apakah bentuknya lebar atau tidy? Kolom mana yang harus dipecah agar menjadi tidy?

Bab 2

Membersihkan Data: Deteksi Dulu, Perbaiki Kemudian

Data mentah hampir selalu kotor: label ditulis beragam, ada sel kosong, ada baris yang tercatat dua kali, dan ada angka yang terlalu besar atau terlalu kecil. Membersihkan data bukan berarti mengubah data sesuka hati. Setiap perubahan harus punya alasan dan tercatat, sehingga orang lain bisa menelusurinya kembali.

Alur kerja Bab 2Urutan membersihkan data dengan aman

❚❚ Jeda▶ Putar

Langkah 1Amankan data mentahSimpan salinan; data asli tidak pernah diubah.
Langkah 2Deteksi masalahTemukan label beragam, sel kosong, baris ganda, dan pencilan tanpa mengubah apa pun.
Langkah 3Perbaiki di salinanGunakan kolom bantu atau sheet kerja, bukan data mentah.
Langkah 4Catat di logBaris, nilai lama, nilai baru, dan alasannya.
Langkah 5Baru hapus baris gandaSetelah label dibersihkan dan barisnya diperiksa satu per satu.

Animasi berulang setiap 15 detik dan menyorot satu langkah setiap kali. Tekan Jeda untuk berhenti di langkah yang sedang dibaca.

2.1 Urutan yang aman

Urutan yang aman adalah: amankan data mentah, deteksi masalah tanpa mengubah apa pun, perbaiki di kolom bantu atau sheet salinan, catat setiap perubahan, dan baru hapus baris ganda. Fitur Remove Duplicates di Excel menghapus data secara permanen dan menilai kesamaan berdasarkan nilai yang tampil. Akibatnya “Gelap” dan “Gelap ” (dengan spasi di akhir) dianggap berbeda sampai spasinya dibersihkan.

Keperluan	Excel	Google Sheets
Hapus baris ganda	Data > Data Tools > Remove Duplicates	Data > Data cleanup > Remove duplicates
Sorot baris ganda	Home > Conditional Formatting > Highlight Cells Rules > Duplicate Values	Format bersyarat dengan rumus COUNTIF
Hapus spasi berlebih	`=TRIM(B2)`	Data > Data cleanup > Trim whitespace, atau `=TRIM(B2)`
Pecah teks ke kolom	Data > Data Tools > Text to Columns	Data > Split text to columns
Batasi isian	Data > Data Tools > Data Validation	Data > Data validation
Temukan sel kosong	Home > Find & Select > Go To Special > Blanks	Data > Column stats
Ringkasan cepat per kolom	Analysis ToolPak (desktop)	Data > Column stats; Data > Data cleanup > Cleanup suggestions

Tabel 3. Menu pembersihan data di Excel dan Google Sheets. Sumber: modul TILDA P7; Google (t.t.).

Perhatian: pengaturan regional mengubah tanda pemisah

Excel mengambil pemisah argumen rumus dari pengaturan regional Windows (File > Options > Advanced > Use system separators). Pada pengaturan Indonesia, koma adalah tanda desimal sehingga argumen rumus dipisah titik koma: =COUNTIF(A2:A61;"Gelap"). Akibat lainnya, berkas CSV internasional yang memakai titik desimal (misalnya 39.1) bisa terbaca salah bila dibuka dengan klik ganda. Buka lewat Data > Get Data > From Text/CSV, atau pakai =NUMBERVALUE(A2;".";",").

2.2 Data hilang: jangan diisi nol

Nol adalah hasil pengukuran, misalnya nol individu tercatat dalam satu petak, bukan tanda “tidak ada data”. Broman dan Woo (2018) menyarankan kode tetap seperti NA yang dijelaskan di kamus data. Fungsi AVERAGE, MEDIAN, dan STDEV.S melewati sel kosong maupun teks NA, tetapi tidak melewati angka 0. Coba sendiri pada Gambar 3.

Sel yang hilang diisi: NA atau dibiarkan kosong Angka 0

1tinggi_cm

240

342

4NA0

5=AVERAGE(A2:A4)

4127,3

Tepat. AVERAGE melewati NA dan menghitung (40 + 42) ÷ 2 = 41.Menyesatkan. Nol ikut dihitung sebagai hasil ukur: (40 + 42 + 0) ÷ 3 = 27,3.

Gambar 3. Pengaruh mengisi data hilang dengan nol. Contoh dari modul TILDA P7.

2.3 Pencilan: tandai, periksa, putuskan

Menurut aturan pagar Tukey (1977), nilai di bawah Q1 − 1,5 × IQR atau di atas Q3 + 1,5 × IQR, dengan IQR = Q3 − Q1, adalah calon pencilan. Pencilan tidak otomatis dihapus. Periksa dulu: salah ketik? salah satuan, misalnya gram dan kilogram? atau memang nilai biologis yang ekstrem? Keputusannya dicatat di log. Ikuti keempat langkahnya pada Gambar 4, memakai sebelas nilai tinggi kecambah perlakuan Gelap.

1Urutkan data 2Q1 dan Q3 3IQR dan pagar 4Putuskan

12,8 · 13,4 · 13,8 · 14,0 · 14,1 · 14,3 · 14,6 · 14,9 · 15,0 · 15,4 · 141

1 · Urutkan data

Urutkan nilai dari yang terkecil. Satu nilai langsung mencolok: 141 cm untuk kecambah berumur tujuh hari, jauh di luar sumbu.

2 · Hitung Q1 dan Q3

=QUARTILE.INC(D2:D12;1) menghasilkan Q1 = 13,9 cm dan =QUARTILE.INC(D2:D12;3) menghasilkan Q3 = 14,95 cm. Separuh data berada di antara keduanya.

3 · Hitung IQR dan pagar

IQR = 14,95 − 13,9 = 1,05. Pagar bawah = 13,9 − 1,5 × 1,05 = 12,325. Pagar atas = 14,95 + 1,5 × 1,05 = 16,525. Nilai 12,8 masih di dalam pagar; nilai 141 jauh di luar.

4 · Periksa dan putuskan

Nilai 141 sekitar sepuluh kali lipat nilai lain, jadi kemungkinan besar koma desimalnya hilang dan nilai sebenarnya 14,1. Cocokkan dengan lembar pengamatan asli. Bila memang salah ketik, perbaiki dan catat di log: baris, nilai lama, nilai baru, dan alasannya.

Gambar 4. Empat langkah aturan pagar Tukey (1977) pada data simulasi. Kuartil dihitung dengan QUARTILE.INC.

2.4 Baris ganda

Tentukan dulu definisi “rekaman yang sama”: ID sampel yang sama, atau gabungan spesies, tanggal, lokasi, dan pengamat. Tandai calon baris ganda dengan COUNTIF atau COUNTIFS, periksa satu per satu, baru hapus di sheet salinan. Jangan langsung menekan Remove Duplicates pada data mentah.

=COUNTIF($A$2:$A$63;A2)>1

Contoh 1. Rumus penanda baris ganda berdasarkan kolom id_sampel. Hasil TRUE berarti ID itu muncul lebih dari sekali.

Biologi

Pencilan yang nyata

Tidak semua pencilan adalah kesalahan. Ikan berukuran jauh lebih besar dari rata-rata tangkapan bisa memang ada. Bila tidak ada bukti salah ketik atau salah satuan, nilai itu dipertahankan dan dibahas.

Pendidikan Biologi

Kesalahan yang khas di data kelas

Skor 110 pada tes berskala 0 sampai 100 pasti salah ketik. Siswa yang tidak hadir saat posttest diberi NA, bukan 0, karena nol berarti siswa hadir tetapi tidak menjawab benar satu soal pun.

Cek Pemahaman · Bab 2Tiga soal singkat sebelum lanjut

Satu kecambah tidak terukur karena patah. Sel tingginya diisi apa?

Angka 0NA atau dibiarkan kosongRerata perlakuannya

Tepat. Nol adalah hasil ukur. NA atau sel kosong dilewati oleh AVERAGE, MEDIAN, dan STDEV.S.

Belum tepat. Ingat Gambar 3: apa yang terjadi pada rerata bila sel yang hilang diisi 0?

Diketahui Q1 = 13,9 dan Q3 = 14,95. Berapa pagar atas Tukey?

15,0016,52517,05

Tepat. IQR = 14,95 − 13,9 = 1,05, sehingga pagar atas = 14,95 + 1,5 × 1,05 = 16,525.

Belum tepat. Hitung dulu IQR = Q3 − Q1, lalu tambahkan 1,5 × IQR pada Q3.

Mengapa “Gelap” dan “Gelap ” (dengan spasi di akhir) bisa lolos dari Remove Duplicates?

Karena Excel membedakan huruf besar dan kecilKarena spasi di akhir membuat keduanya dianggap nilai yang berbedaKarena Remove Duplicates hanya membaca angka

Tepat. Bersihkan dulu dengan TRIM, baru hapus baris ganda.

Belum tepat. Perhatikan perbedaan kedua label itu: hanya satu spasi di akhir.

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

Poin Penting

Amankan data mentah, deteksi, perbaiki di salinan, catat, baru hapus baris ganda.
Data hilang ditulis NA atau dibiarkan kosong, tidak pernah diisi 0.
Pencilan ditandai dengan pagar Tukey, diperiksa, lalu diputuskan dengan alasan yang dicatat.

Jeda Sejenak

Bila teman Anda membuka data hasil pembersihan Anda, apa yang ia butuhkan untuk mengetahui apa saja yang sudah diubah?

Bab 3

Statistik Deskriptif: Meringkas Data dengan Angka

Enam puluh angka tinggi kecambah sulit dibaca satu per satu. Statistik deskriptif meringkasnya menjadi beberapa angka yang bermakna: berapa banyak datanya, di mana pusatnya, dan seberapa lebar sebarannya. Angka-angka inilah yang nanti ditulis di tabel hasil dan digambar di grafik.

Alur kerja Bab 3Dari angka mentah ke tabel hasil

❚❚ Jeda▶ Putar

Langkah 1Pastikan data bersihStatistik dari data kotor akan ikut salah.
Langkah 2Ukuran pusatHitung n, rerata, dan median dengan COUNT, AVERAGE, dan MEDIAN.
Langkah 3Ukuran sebaranSD dengan STDEV.S, kuartil dengan QUARTILE.INC, SE = SD/√n.
Langkah 4Per kelompokPivotTable, AVERAGEIF, atau Analysis ToolPak untuk setiap perlakuan.
Langkah 5Laporkan lengkapRerata ± SD atau SE, n, satuan, dan dua angka desimal.

Animasi berulang setiap 15 detik dan menyorot satu langkah setiap kali. Tekan Jeda untuk berhenti di langkah yang sedang dibaca.

3.1 Rumus statistik deskriptif di spreadsheet

Statistik	Rumus (data di D2:D61)	Catatan
n	`=COUNT(D2:D61)`	Hanya menghitung sel berisi angka
Rerata	`=AVERAGE(D2:D61)`	Peka terhadap pencilan
Median	`=MEDIAN(D2:D61)`	Tahan terhadap pencilan
Minimum, maksimum	`=MIN(D2:D61)`, `=MAX(D2:D61)`	Berguna untuk menemukan nilai janggal
Simpangan baku sampel	`=STDEV.S(D2:D61)`	Pembagi n − 1. Dipakai untuk sampel praktikum atau lapangan
Simpangan baku populasi	`=STDEV.P(D2:D61)`	Hanya bila data mencakup seluruh populasi
Kuartil 1 dan 3	`=QUARTILE.INC(D2:D61;1)`, `;3`	Untuk IQR dan pagar pencilan
Galat baku (SE)	`=STDEV.S(D2:D61)/SQRT(COUNT(D2:D61))`	SE = s/√n; menunjukkan ketelitian rerata
Rerata per kelompok	`=AVERAGEIF(B2:B61;"Gelap";D2:D61)`	Atau AVERAGEIFS untuk beberapa syarat

Tabel 4. Rumus statistik deskriptif di Excel dengan pengaturan regional Indonesia (pemisah argumen titik koma). Sumber: modul TILDA P7.

3.2 Rerata atau median?

Rerata memakai semua nilai, sehingga satu pencilan bisa menariknya jauh. Median hanya melihat nilai tengah, sehingga hampir tidak terpengaruh. Gambar 4 di Bab 2 memperlihatkan nilai 141 yang seharusnya 14,1. Lihat pada Gambar 5 apa yang terjadi pada statistiknya bila kesalahan itu tidak diperbaiki.

Kondisi data: Ada nilai 141 (salah ketik) Sudah diperbaiki menjadi 14,1

Rerata25,7514,22Melonjak hampir dua kali lipatKembali wajar

Median14,3014,10Hampir tidak terpengaruhBergeser sedikit

SD38,230,75Sebaran tampak sangat lebarSebaran sebenarnya sempit

Gambar 5. Rerata, median, dan simpangan baku sebelas nilai tinggi kecambah (cm) sebelum dan sesudah salah ketik diperbaiki. Data simulasi.

Pelajarannya: bila rerata dan median berbeda jauh, curigai pencilan atau sebaran yang miring sebelum menulis kesimpulan.

3.3 SD atau SE?

Simpangan baku (SD) menggambarkan seberapa lebar sebaran data. Galat baku (SE) menggambarkan seberapa teliti rerata diperkirakan, dan nilainya mengecil bila n bertambah karena SE = SD/√n. Laporkan “rerata ± SD” untuk menggambarkan sebaran data, dan “rerata ± SE” atau selang kepercayaan 95% untuk menunjukkan ketelitian rerata. Sebutkan mana yang dipakai di keterangan tabel atau grafik. Gambar 6 memperlihatkan perbedaannya.

Jumlah kecambah per perlakuan (SD tetap 1,2 cm): n = 5 n = 15 n = 60

Yang berubah hanya SE

Sebaran kecambah tidak berubah walaupun sampelnya ditambah, jadi batang SD tetap sepanjang 1,2 cm. Yang menyempit adalah batang SE: 0,54 cm untuk n = 5, 0,31 cm untuk n = 15, dan 0,15 cm untuk n = 60. Karena itu, batang galat tanpa keterangan “SD” atau “SE” tidak bisa ditafsirkan.

Gambar 6. Rerata 14,2 cm dengan SD 1,2 cm pada tiga ukuran sampel. Angka ilustratif.

3.4 Statistik per kelompok

Perbandingan antarperlakuan membutuhkan statistik per kelompok. Ada tiga cara di spreadsheet: PivotTable, rumus seperti AVERAGEIF dan COUNTIFS, atau Analysis ToolPak. Di PivotTable, pilihan StdDev menghitung simpangan baku sampel, sama dengan STDEV.S. Analysis ToolPak menghasilkan nilai statis yang tidak ikut berubah bila data diubah, jadi jalankan ulang setiap kali data diperbaiki. Langkah rincinya ada di Prosedur C3.

Biologi

Contoh pelaporan

“Tinggi kecambah hari ke-7 pada perlakuan Gelap 14,20 ± 1,00 cm (rerata ± SD, n = 15).” Dua desimal, satuan, jenis sebaran, dan n disebut lengkap.

Pendidikan Biologi

Contoh pelaporan

“Skor posttest kelas X-2 adalah 78,4 ± 9,6 (rerata ± SD, n = 32 siswa).” Tanpa n dan SD, pembaca tidak tahu apakah perbedaan antarkelas berarti.

Tips: STDEV.S atau STDEV.P?

Data praktikum dan lapangan hampir selalu merupakan sampel dari populasi yang lebih besar, jadi pakai STDEV.S. STDEV.P hanya dipakai bila data Anda mencakup seluruh anggota populasi, misalnya seluruh siswa di satu sekolah yang memang menjadi satu-satunya sasaran.

Cek Pemahaman · Bab 3Tiga soal singkat sebelum lanjut

Data Anda memuat satu pencilan besar yang belum diperiksa. Ukuran pusat mana yang paling tahan terhadapnya?

RerataSimpangan bakuMedian

Tepat. Median hanya melihat nilai tengah, jadi hampir tidak terpengaruh satu nilai ekstrem.

Belum tepat. Lihat Gambar 5: angka mana yang hampir tidak berubah ketika nilai 141 diperbaiki?

Tinggi kecambah dari 15 ulangan praktikum. Simpangan bakunya dihitung dengan fungsi apa?

STDEV.SSTDEV.PCOUNT

Tepat. Data praktikum adalah sampel, jadi pakai STDEV.S dengan pembagi n − 1.

Belum tepat. Apakah 15 kecambah itu seluruh populasi kecambah kacang hijau?

Bila n diperbesar dari 15 menjadi 60 dan SD tetap, apa yang terjadi pada SE?

Tetap samaMengecil menjadi separuhnyaMembesar dua kali

Tepat. SE = SD/√n. Karena √60 = 2 × √15, SE menjadi separuhnya: dari 0,31 menjadi 0,15 cm.

Belum tepat. Ingat rumus SE = SD/√n dan lihat Gambar 6.

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

Poin Penting

Laporkan selalu n, ukuran pusat, dan ukuran sebaran beserta satuannya.
Median tahan terhadap pencilan; rerata tidak.
SD menggambarkan sebaran data; SE menggambarkan ketelitian rerata dan mengecil bila n bertambah.

Jeda Sejenak

Sebuah laporan menulis “rerata tinggi 12,3 ± 0,4 cm” tanpa keterangan lain. Informasi apa yang hilang?

Bab 4

Grafik, Infografis, dan Dasbor yang Jujur

Grafik adalah cara tercepat menyampaikan hasil, sekaligus cara tercepat menyesatkan pembaca. Grafik yang baik dimulai dari pertanyaan yang ingin dijawab, bukan dari tombol Insert Chart. Bab ini membahas cara memilih jenis grafik, merapikannya, lalu merangkainya menjadi infografis atau dasbor.

Alur kerja Bab 4Dari tabel hasil ke grafik dan infografis

❚❚ Jeda▶ Putar

Langkah 1Tentukan pertanyaanMembandingkan, melihat tren, sebaran, hubungan, atau proporsi?
Langkah 2Pilih jenis grafikBatang, garis, histogram, box plot, scatter, atau lingkaran.
Langkah 3Tampilkan datanyaUntuk sampel kecil, tunjukkan titik data atau box plot.
Langkah 4RapikanSumbu dari nol, satuan, warna Okabe-Ito, batang galat, dan n.
Langkah 5Rangkai dan bagikanInfografis atau dasbor dengan judul berupa kesimpulan dan sumber data.

Animasi berulang setiap 15 detik dan menyorot satu langkah setiap kali. Tekan Jeda untuk berhenti di langkah yang sedang dibaca.

4.1 Pertanyaan menentukan jenis grafik

Pilih pertanyaan Anda pada Gambar 7 untuk melihat jenis grafik yang cocok beserta contohnya di riset dan di kelas.

Grafik batang

Sumbu y wajib dimulai dari nol, sertakan n dan batang galat.

Biologi

Rerata tinggi kecambah per perlakuan cahaya.

Pendidikan Biologi

Rerata skor posttest per kelas.

Grafik garis

Sumbu x berupa waktu yang berurutan dengan selang yang sama.

Biologi

Produksi perikanan Sumatera Utara per tahun.

Pendidikan Biologi

Skor literasi data siswa dari pertemuan ke pertemuan.

Histogram

Batang saling menempel karena sumbu x adalah rentang angka, bukan kategori.

Biologi

Sebaran panjang tubuh ikan hasil tangkapan.

Pendidikan Biologi

Sebaran skor tes satu kelas.

Box and whisker

Menampilkan median, kuartil, dan pencilan setiap kelompok sekaligus.

Biologi

Tinggi kecambah per perlakuan cahaya.

Pendidikan Biologi

Skor posttest kelas eksperimen dan kelas kontrol.

Diagram pencar (scatter)

Tambahkan garis tren bila polanya kira-kira lurus; hubungan belum tentu sebab-akibat.

Biologi

Jumlah daun terhadap tinggi kecambah.

Pendidikan Biologi

Skor pretest terhadap skor posttest.

Lingkaran atau batang bertumpuk 100%

Maksimal lima bagian. Lebih dari itu, pakai grafik batang biasa.

Biologi

Proporsi famili ikan dalam sampel.

Pendidikan Biologi

Proporsi jawaban angket: setuju, ragu, tidak setuju.

Gambar 7. Pemilihan grafik berdasarkan pertanyaan. Pasangan pertanyaan dan contoh biologi dari modul TILDA P7; contoh kelas ditambahkan untuk Pendidikan Biologi. Grafik mini memakai data rekaan.

4.2 Grafik batang bisa menyembunyikan data

Weissgerber et al. (2015) mengingatkan bahwa grafik batang rerata untuk data kontinu menyembunyikan sebaran data: banyak kumpulan data yang sangat berbeda bisa menghasilkan grafik batang yang sama. Untuk sampel kecil, tampilkan titik-titik datanya atau pakai box plot. Gambar 8 memakai data apersepsi: ganti tampilannya dan perhatikan kapan perbedaan perlakuan P dan Q terlihat.

Tampilan: Batang ± SD Titik data Box plot

Tampak hampir sama

Rerata P dan Q sama-sama 10,05 cm. Batang SD Q lebih panjang (3,63 cm dibanding 0,50 cm), tetapi grafik tidak memberi tahu mengapa.

Perlakuan Q terbelah dua

Sepuluh titik Q mengelompok di dua tempat, sekitar 6 sampai 7 cm dan 13 sampai 14 cm, dan tidak ada satu pun yang mendekati reratanya. Pola ini harus diselidiki sebelum menyimpulkan apa pun.

Kotak Q jauh lebih lebar

Box plot memperlihatkan bahwa separuh data tengah Q membentang dari 6,68 sampai 13,33 cm, sedangkan P hanya dari 9,75 sampai 10,38 cm. Untuk sampel kecil, titik data tetap paling jujur.

Gambar 8. Data simulasi yang sama dengan Gambar 1 dalam tiga tampilan. Kuartil dihitung dengan QUARTILE.INC.

Rougier, Droettboom, dan Bourne (2014) merumuskan sepuluh aturan grafik yang baik. Di antaranya: kenali pembaca, tentukan pesan, keterangan gambar wajib ada, jangan percaya pengaturan bawaan, pakai warna secara efektif, jangan menyesatkan pembaca, dan hindari hiasan yang tidak membawa data.

4.3 Merapikan grafik

Pengaturan bawaan Excel jarang menghasilkan grafik ilmiah yang baik. Bandingkan grafik sebelum dan sesudah dirapikan pada Gambar 9, lalu cocokkan dengan daftar periksa di bawahnya.

Versi grafik: Sebelum · pengaturan bawaan Sesudah · dirapikan

Lima masalah

1 Judul dan label tanpa makna (“Chart Title”, “Series1”). 2 Sumbu y dimulai dari 6, sehingga Gelap tampak hampir enam kali lebih tinggi daripada Cahaya 100%, padahal sebenarnya kurang dari dua kali. 3 Merah dan hijau sulit dibedakan pembaca buta warna. 4 Tanpa satuan, tanpa n, tanpa batang galat. 5 Garis kisi rapat yang mengganggu.

Yang diperbaiki

Sumbu y dimulai dari 0 dan diberi satuan, warna memakai palet Okabe-Ito, batang galat SD ditambahkan, garis kisi seperlunya, dan informasi n serta jenis batang galat dipindah ke keterangan gambar.

Gambar 9. Rerata tinggi kecambah Vigna radiata hari ke-7 pada empat perlakuan cahaya (n = 15 per perlakuan). Batang galat = SD. Sumber: data simulasi latihan TILDA.

Daftar periksa grafik dan tabel

Nomor dan keterangan informatif: keterangan gambar di bawah gambar, judul tabel di atas tabel
Label sumbu atau kepala kolom dengan satuan, misalnya “Tinggi kecambah (cm)”
Sumbu y grafik batang dimulai dari nol
Tanpa efek 3D, bayangan, atau gradasi; garis kisi seperlunya

Jenis batang galat (SD, SE, atau SK 95%) dan n disebutkan
Warna ramah buta warna dan tetap terbaca bila dicetak hitam putih
Desimal konsisten dalam satu kolom; teks berbahasa Indonesia memakai koma desimal
Baris sumber data di bawah grafik

Wong (2011) menyarankan menghindari pasangan merah dan hijau dan memakai palet Okabe-Ito (Okabe & Ito, 2008). Empat warna berikut cukup untuk empat perlakuan.

Warna	Kode hex	Saran pemakaian
Oranye	`#E69F00`	Gelap
Biru langit	`#56B4E9`	Cahaya 25%
Hijau kebiruan	`#009E73`	Cahaya 50%
Biru	`#0072B2`	Cahaya 100%

Tabel 5. Empat warna palet Okabe-Ito untuk empat perlakuan. Sumber: Okabe dan Ito (2008); Wong (2011).

4.4 Infografis dan dasbor

Alat	Status dan syarat	Catatan
Canva	Paket gratis perorangan tersedia. Canva Education gratis hanya untuk sekolah dasar dan menengah.	Tanyakan ke fakultas apakah ada lisensi kampus.
Looker Studio (Data Studio)	Gratis, berjalan di peramban, tersambung langsung ke Google Sheets.	Pilihan paling mudah untuk laptop apa pun.
Tableau Public	Gratis. Sejak 30 April 2024, Tableau Desktop Public Edition dapat menyimpan berkas di komputer; terbit ke profil publik bersifat opsional.	Data yang diterbitkan dapat dilihat semua orang.
Power BI Desktop	Gratis, hanya untuk Windows. Fitur Publish to web memerlukan lisensi Pro atau PPU dan izin admin.	Ekspor ke PDF atau PowerPoint sebagai gantinya.

Tabel 6. Pilihan alat infografis dan dasbor pada 2026. Sumber: modul TILDA P7; Tableau (2024); Microsoft (t.t.-a).

Infografis ilmiah yang baik punya satu pesan utama yang ditulis sebagai judul berupa kesimpulan. Dua sampai empat grafik masing-masing menjawab satu sub-pertanyaan. Angka kunci (n, rerata ± SD) ditulis besar beserta satuannya. Satu kategori memakai satu warna yang sama di semua grafik, ikon hanya pelengkap, dan kaki halaman berisi sumber data, lisensi, penyusun, tanggal, serta alat yang dipakai.

Judul berupa kesimpulanKecambah di tempat gelap tumbuh paling tinggi

60kecambah, 4 perlakuan

14,2 cmrerata tertinggi (Gelap)

± 1,0 cmSD terbesar

Grafik 1Rerata ± SD per perlakuan

Grafik 2Box plot sebaran

Metode singkatKacang hijau, 7 hari, 15 ulangan per perlakuan

Sumber data · lisensi · penyusun · tanggal · alat yang dipakai

Gambar 10. Kerangka infografis ilmiah sederhana. Angka dalam kerangka adalah contoh dari data simulasi.

Perhatian: pikirkan dulu sebelum menerbitkan

Jangan menerbitkan data pribadi, misalnya nama dan nilai siswa, atau koordinat persis spesies terancam ke platform publik. Ingat bahwa data yang diterbitkan lewat Tableau Public dapat dilihat semua orang.

Cek Pemahaman · Bab 4Tiga soal singkat sebelum lanjut

Anda ingin membandingkan sebaran skor posttest dua kelas. Grafik apa yang paling tepat?

Diagram lingkaranGrafik garisBox plot atau grafik titik data

Tepat. Box plot dan titik data memperlihatkan median, kuartil, dan sebaran setiap kelas sekaligus.

Belum tepat. Pertanyaannya tentang sebaran antarkelompok. Lihat pilihan 4 pada Gambar 7.

Grafik batang dengan sumbu y yang dimulai dari 6 membuat …

perbedaan antarbatang tampak jauh lebih besar daripada sebenarnyagrafik menjadi lebih akuratbatang galat lebih mudah dibaca

Tepat. Panjang batang harus sebanding dengan nilainya, karena itu sumbu y grafik batang dimulai dari nol.

Belum tepat. Bandingkan versi sebelum dan sesudah pada Gambar 9.

Pasangan warna apa yang sebaiknya dihindari agar grafik ramah buta warna?

Oranye dan biruMerah dan hijauHitam dan abu-abu

Tepat. Wong (2011) menyarankan menghindari merah dan hijau serta memakai palet Okabe-Ito.

Belum tepat. Ingat masalah nomor 3 pada Gambar 9.

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

Poin Penting

Pertanyaan menentukan jenis grafik: batang, garis, histogram, box plot, scatter, atau lingkaran.
Untuk sampel kecil, tampilkan titik data atau box plot, bukan hanya batang rerata.
Grafik yang rapi: sumbu dari nol untuk batang, satuan, warna Okabe-Ito, jenis batang galat dan n, serta sumber data.

Jeda Sejenak

Cari satu grafik di berita atau media sosial minggu ini. Butir daftar periksa mana yang dilanggarnya?

Workshop

Praktik C1 sampai C6: Dari Data Kotor ke Infografis

Bagian ini dikerjakan di laptop sambil mengikuti langkah bernomor. Sesi bersih (25 menit) mencakup C1 dan C2, sesi analisis (15 menit) mencakup C3, sesi grafik (20 menit) mencakup C4 dan C5, dan sesi infografis (10 menit) mencakup C6. Teks bermuka monospace adalah sesuatu yang diketik atau diklik di komputer.

Dataset latihan

Sheet P07_kecambah di berkas Dataset_Latihan_TILDA_P04_P07.xlsx berisi tinggi kecambah kacang hijau (Vigna radiata) hari ke-7 pada empat perlakuan cahaya, 15 ulangan per perlakuan, kolom A sampai G. Seluruh angka adalah data simulasi untuk latihan dan sengaja memuat kesalahan. Kelompok yang memakai data GBIF atau BPS mengikuti langkah yang sama dengan menyesuaikan nama kolom.

Alur kerja PraktikDari data kotor ke infografis

❚❚ Jeda▶ Putar

Langkah 1C1 · Buka dengan amanSalin berkas, buat sheet kerja dan log perubahan.
Langkah 2C2 · BersihkanLabel, sel teks, sel kosong, baris ganda, pencilan, dan tanggal.
Langkah 3C3 · Statistikn, rerata, SD, dan SE per perlakuan.
Langkah 4C4 · GrafikBox plot dan batang ± SD yang sudah dirapikan.
Langkah 5C5 · Nilai saran AIBandingkan saran grafik AI dengan prinsip visualisasi.
Langkah 6C6 · InfografisSatu pesan, angka kunci, dan sumber data.

Gambar 11. Enam prosedur praktik Pertemuan 7. Animasi berulang setiap 15 detik; tekan Jeda untuk berhenti.

C1. Membuka data dengan aman

Salin berkas. Simpan sebagai Kelompok_P07_kecambah_v01.xlsx. Duplikasi sheet P07_kecambah menjadi kerja dan tambahkan sheet log_perubahan.
Jika memakai CSV dari luar. Gunakan Data > Get Data > From Text/CSV dan pilih pemisah yang benar. Di Power Query, pakai Transform > Data Type > Using Locale > English (United States) untuk kolom angka bertitik desimal.

C2. Membersihkan data

Seragamkan label perlakuan. Tulis rumus berikut di kolom bantu H2, lalu salin ke bawah.

=PROPER(TRIM(SUBSTITUTE(B2;" %";"%")))

Periksa dengan filter bahwa hanya tersisa empat label: Gelap, Cahaya 25%, Cahaya 50%, dan Cahaya 100%. Salin kolom H, lalu Paste Special > Values ke kolom B.

Perbaiki sel teks di kolom tinggi. Cari sel yang rata kiri atau berisi satuan, misalnya 12,4 cm. Ketik ulang angkanya saja dan catat di log.
Hitung sel kosong. Biarkan kosong atau isi NA. Jangan diisi 0.

=COUNTBLANK(D2:D63)

Tandai baris ganda. Tulis rumus berikut di kolom I. Periksa baris bertanda TRUE, lalu Data > Remove Duplicates dengan kolom id_sampel saja. Hasilnya 60 baris data.

=COUNTIF($A$2:$A$63;A2)>1

Tandai pencilan dengan pagar IQR. Tulis rumus kuartil dan pagar di sel kosong L2 sampai L6, lalu rumus penanda di kolom J.

L2  =QUARTILE.INC(D2:D61;1)
L3  =QUARTILE.INC(D2:D61;3)
L4  =L3-L2
L5  =L2-1,5*L4
L6  =L3+1,5*L4

J2  =IF(D2="";"";IF(OR(D2<$L$5;D2>$L$6);"pencilan";"ok"))

Putuskan pencilan. Bandingkan nilai pencilan dengan anggota kelompoknya. Bila nilainya sekitar sepuluh kali lipat nilai lain, kemungkinan besar koma desimalnya hilang. Perbaiki hanya bila alasannya kuat, dan catat di log.
Seragamkan tanggal. Ubah tanggal yang tidak berformat YYYY-MM-DD dan catat di log.

Lebih tepat: pagar per perlakuan

Pagar IQR di atas dihitung untuk semua perlakuan sekaligus. Cara yang lebih tepat adalah menghitungnya per perlakuan, karena tiap perlakuan punya sebaran sendiri. Kecambah Gelap yang tinggi bisa tampak sebagai pencilan bila dicampur dengan kecambah Cahaya 100% yang pendek.

C3. Statistik deskriptif per perlakuan

Cara 1: PivotTable. Klik di dalam data, lalu Insert > PivotTable > New Worksheet. Seret perlakuan ke Rows dan tinggi_cm_h7 ke Values tiga kali. Atur Value Field Settings menjadi Count, Average, dan StdDev (StdDev di PivotTable adalah simpangan baku sampel).
Cara 2: rumus. Tulis keempat label perlakuan di N2:N5. Isi O2 (n), P2 (rerata), Q2 (SD, Excel 365), dan R2 (SE), lalu salin ke bawah.

O2  =COUNTIFS($B$2:$B$61;N2;$D$2:$D$61;"<>")
P2  =AVERAGEIF($B$2:$B$61;N2;$D$2:$D$61)
Q2  =STDEV.S(FILTER($D$2:$D$61;($B$2:$B$61=N2)*($D$2:$D$61<>"")))
R2  =Q2/SQRT(O2)

Excel 2019 ke bawah tidak memiliki FILTER; gunakan nilai StdDev dari PivotTable.

Cara 3: Analysis ToolPak. Aktifkan lewat File > Options > Add-ins > Manage: Excel Add-ins > Go > Analysis ToolPak. Lalu Data > Data Analysis > Descriptive Statistics, centang Labels in first row dan Summary statistics. Hasilnya nilai statis yang tidak ikut berubah bila data diubah.
Rekap hasil. Susun tabel ringkasan berisi n, rerata, median, SD, dan SE per perlakuan dengan dua angka desimal.

C4. Membuat grafik

Box plot. Pilih kolom B dan D (label dan tinggi), lalu Insert > Insert Statistic Chart > Box and Whisker. Box plot menunjukkan median, kuartil, dan pencilan setiap perlakuan.
Grafik batang rerata ± SD. Pilih tabel rerata (N1:P5), lalu Insert > Clustered Column. Tambahkan batang galat: Chart Elements > Error Bars > More Options > Custom > Specify Value, lalu isi rentang SD (Q2:Q5) untuk nilai positif dan negatif.
Rapikan. Beri judul sumbu “Tinggi kecambah hari ke-7 (cm)”, mulai sumbu y dari 0, hapus garis kisi berlebih, warnai dengan palet Okabe-Ito, dan hapus legenda bila tidak perlu.
Tulis keterangan gambar. Ikuti pola berikut.

Gambar 1. Rerata tinggi kecambah Vigna radiata hari ke-7 pada empat
perlakuan cahaya (n per perlakuan ditulis). Batang galat = SD.
Sumber: data simulasi latihan TILDA.

C5. Menilai rekomendasi grafik dari AI

Ajukan prompt berikut ke asisten AI pilihan Anda.

Saya punya data tinggi kecambah (cm) pada 4 perlakuan cahaya,
sekitar 15 ulangan per perlakuan. Grafik apa yang paling tepat
untuk membandingkan keempat perlakuan? Jelaskan alasannya.

Evaluasi. Bandingkan saran AI dengan pemilihan grafik di Gambar 7, Weissgerber et al. (2015), dan Rougier et al. (2014). Catat grafik yang disarankan AI, alasannya, kesesuaiannya dengan prinsip visualisasi, dan keputusan kelompok Anda.

C6. Infografis sederhana

Tentukan satu pesan. Tulis kesimpulan utama sebagai judul, berdasarkan hasil perhitungan kelompok Anda sendiri.
Pilih alat. Canva (paket gratis) untuk infografis statis; Looker Studio atau Tableau Public untuk dasbor sederhana.
Susun. Judul kesimpulan, dua sampai tiga grafik dari C4, angka kunci (n, rerata ± SD), metode singkat, dan kaki halaman berisi sumber data serta penyusun. Ikuti kerangka di Gambar 10.
Ekspor. Simpan sebagai PDF atau PNG dengan nama Kelompok_P07_infografis.pdf.

Poin Penting

Kerjakan selalu di salinan dan catat setiap perubahan di sheet log.
Label diseragamkan dengan rumus, data hilang dibiarkan NA, baris ganda dan pencilan diperiksa sebelum diputuskan.
Statistik dihitung per perlakuan; grafik diberi satuan, batang galat yang jelas, dan keterangan lengkap.

Aktivitas dan Penugasan

Dari Data ke Cerita: Aktivitas dan Tugas Pertemuan 7

Di tatap muka, Anda membersihkan data kecambah, menghitung statistik deskriptif, membuat grafik, menilai saran grafik dari AI, dan membuat sketsa infografis. Di luar kelas, kelompok Anda menyelesaikan Mini Riset 1. Rangkaian ini melatih ketekunan, kemandirian, kerja sama, keberinisiatifan, dan tanggung jawab.

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

Buka5′

Teori15′

Bersih25′

Analisis15′

Grafik20′

Infografis10′

Tutup10′

0 menit25 menit

Gambar 12. Panjang batang sebanding dengan durasi; pembersihan data dan pembuatan grafik (kuning) adalah porsi terbesar. Total 100 menit.

Tahap	Waktu	Kegiatan
Buka	5 menit	Dosen menampilkan dua grafik dari data yang sama, yaitu batang rerata dan box plot. “Mana yang lebih jujur?”
Teori	15 menit	Bab 1 sampai 4 secara ringkas; detailnya dibaca di modul
Bersih	25 menit	Prosedur C1 dan C2 pada sheet P07_kecambah
Analisis	15 menit	Prosedur C3: tabel statistik deskriptif per perlakuan
Grafik	20 menit	Prosedur C4 dan C5: box plot, grafik batang ± SD, dan evaluasi rekomendasi AI
Infografis	10 menit	Prosedur C6: sketsa infografis; penyelesaiannya menjadi bagian Mini Riset 1
Tutup	10 menit	Penjelasan Mini Riset, pembagian topik, dan dataset untuk setelah UTS

Tabel 7. Rancangan kegiatan tatap muka. Sumber: modul TILDA P7.

B. Mini Riset 1, tugas kelompok

Mini Riset adalah tugas kelompok yang berlanjut sampai setelah UTS. Produk tahap 1 dikumpulkan setelah pertemuan ini. Topik dan dataset ditetapkan dosen, atau diusulkan kelompok dari sumber terbuka (GBIF, BPS, RIN BRIN) maupun data praktikum.

1 · Dataset bersih

Berkas spreadsheet berbentuk tidy, lengkap dengan kamus data dan sheet log perubahan.

2 · Tabel hasil olahan

n, rerata, median, SD, dan SE per kelompok dengan dua angka desimal.

3 · Grafik

Minimal satu box plot atau grafik titik dan satu grafik batang ± SD yang lolos daftar periksa.

4 · Infografis sederhana

Satu halaman dengan judul berupa kesimpulan, mengikuti kerangka di Gambar 10.

5 · Rancangan awal

Judul sementara, pertanyaan penelitian, sumber data (nama, URL, DOI, lisensi), variabel, tujuan, dan pembagian tugas.

Bila memakai AI

Catat prompt, klaim AI, sumber yang dipakai untuk mengeceknya, dan statusnya, seperti di Pertemuan 6.

Bobot rubrik Mini Riset 1

Kualitas data20

Data cleaning15

Pengolahan data20

Analisis dan interpretasi25

Visualisasi10

Etika akademik10

025

Gambar 13. Bobot aspek rubrik khusus tugas analisis data di RPS, total 100. Analisis dan interpretasi (kuning) berbobot terbesar: grafik yang indah tanpa tafsiran yang tepat belum cukup.

C. Kriteria penilaian

Produk	Kriteria utama
Mini Riset 1	Dinilai dengan rubrik khusus tugas analisis data RPS: kualitas data (20), data cleaning (15), pengolahan data (20), analisis dan interpretasi (25), visualisasi (10), dan etika akademik (10).
Produk praktik	Kelengkapan log pembersihan, ketepatan statistik, dan kualitas grafik menurut daftar periksa.

Tabel 8. Kriteria penilaian Pertemuan 7. Sumber: modul TILDA P7; bobot mengikuti RPS. Bobot Mini Riset 1: 9% dari nilai akhir.

Poin Penting Pengumpulan

Tenggat Mini Riset 1: Satu minggu setelah tugas diberikan.
Kumpulkan data mentah dan data bersih sebagai dua berkas terpisah, beserta sheet log perubahan.
Cantumkan sumber dan lisensi setiap dataset dari luar, dan jangan menerbitkan data pribadi.

Pojok Refleksi

Kembali ke Raka dan Nadira

Ingat tabel kecambah kelompok Raka yang berisi 62 baris? Kini Anda tahu langkahnya. Raka perlu menandai baris ganda dengan COUNTIF berdasarkan id_sampel, memeriksanya, lalu menghapusnya di salinan sampai tersisa 60 baris. Label gelap, Gelap, dan GELAP diseragamkan dengan PROPER dan TRIM. Sel kosong dibiarkan NA, bukan diisi 0, karena nol menyeret rerata ke bawah. Itulah salah satu sebab perlakuan gelap tampak paling rendah. Nilai 141 cm ditandai pagar Tukey, dicocokkan dengan lembar pengamatan, lalu diperbaiki menjadi 14,1 cm. Setiap perubahan dicatat di log. Setelah dibersihkan, kecambah di tempat gelap justru tumbuh paling tinggi, sesuai peristiwa etiolasi.

Nadira perlu mengganti diagram lingkaran tiga dimensinya. Untuk membandingkan skor dua kelas, box plot atau grafik titik jauh lebih jujur. Warnanya diganti dengan palet Okabe-Ito agar terbaca oleh pembaca buta warna. Kalimat “rerata kelas A lebih tinggi” juga perlu dilengkapi dengan rerata ± SD dan jumlah siswa setiap kelas, agar pembaca bisa menilai sendiri seberapa besar perbedaannya.

Pertanyaan untuk Direnungkan

1. Pernahkah Anda mengisi sel kosong dengan 0 atau menghapus nilai janggal tanpa mencatatnya? Apa akibatnya pada hasil Anda?

2. Bila orang lain membuka berkas data Anda, bisakah ia menelusuri setiap perubahan yang Anda buat?

3. Grafik apa yang biasanya Anda pakai di laporan praktikum? Apakah grafik itu benar-benar menjawab pertanyaan penelitian Anda?

4. Sebagai calon peneliti atau calon guru, bagaimana Anda akan mengajari orang lain membaca grafik dengan kritis?

Janji kecil untuk mengolah data

Saya selalu bekerja di salinan dan menyimpan data mentah apa adanya.
Saya mencatat setiap perubahan data di sheet log.
Saya menulis NA untuk data hilang, tidak pernah 0.
Saya memeriksa pencilan sebelum memutuskan, bukan langsung menghapusnya.
Saya selalu menyebut n dan jenis batang galat di keterangan grafik.
Saya memilih grafik berdasarkan pertanyaan, bukan berdasarkan tampilannya.

Jawaban Anda tidak dinilai; gunakan untuk melihat kebiasaan mana yang perlu diubah lebih dulu. Mulailah dari yang paling kecil: buat sheet log sebelum mengubah satu sel pun. Setelah UTS, kelompok Anda melanjutkan Mini Riset dengan data dan topik yang dibagikan di akhir pertemuan ini.

“Grafik yang jujur menunjukkan data apa adanya, termasuk bagian yang tidak sesuai harapan.”

Rujukan

Glosarium dan Daftar Pustaka

Glosarium

Istilah	Arti sederhana
Data mentah	Data asli hasil pencatatan atau unduhan, disimpan tanpa diubah
Data tidy	Bentuk tabel dengan satu variabel per kolom, satu pengamatan per baris, dan satu nilai per sel
Kamus data	Keterangan arti, satuan, dan aturan isian setiap kolom
Log perubahan	Catatan setiap perubahan data: baris, nilai lama, nilai baru, dan alasannya
NA	Kode untuk data hilang atau tidak terukur; berbeda dari angka 0
Baris ganda	Rekaman yang tercatat lebih dari sekali menurut definisi yang ditetapkan
Pencilan (potential outlier)	Data yang memiliki nilai sangat jauh atau berbeda secara signifikan dari mayoritas data lainnya, sehingga dicurigai sebagai pencilan (outlier)
Kuartil dan IQR	Q1 dan Q3 membatasi separuh data bagian tengah; IQR = Q3 − Q1
Pagar Tukey	Batas Q1 − 1,5 × IQR dan Q3 + 1,5 × IQR untuk menandai calon pencilan
Rerata dan median	Rerata adalah jumlah dibagi n; median adalah nilai tengah data yang diurutkan
Simpangan baku (SD)	Ukuran lebar sebaran data di sekitar rerata
Galat baku (SE)	SD dibagi akar n; menunjukkan ketelitian rerata
Batang galat	Garis pada grafik yang menunjukkan SD, SE, atau selang kepercayaan
PivotTable	Fitur spreadsheet untuk meringkas data per kelompok
Analysis ToolPak	Add-in Excel untuk statistik deskriptif dan analisis lain
Box plot	Grafik yang menampilkan median, kuartil, dan pencilan setiap kelompok
Histogram	Grafik sebaran satu variabel dengan batang yang saling menempel
Palet Okabe-Ito	Kumpulan warna yang tetap dapat dibedakan oleh pembaca buta warna
Infografis	Satu halaman visual yang menyampaikan satu pesan utama dengan grafik dan angka kunci
Dasbor	Tampilan beberapa grafik yang tersambung ke sumber data, misalnya di Looker Studio
Mini Riset	Tugas kelompok analisis data yang berlanjut sampai setelah UTS

Daftar Pustaka

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

Google. (t.t.). Split text, remove duplicates, or trim whitespace. Google Docs Editors Help. Diakses 15 Oktober 2026 dari https://support.google.com/docs/answer/6325535

Michener, W. K. (2015). Ten simple rules for creating a good data management plan. PLOS Computational Biology, 11(10), e1004525. https://doi.org/10.1371/journal.pcbi.1004525

Microsoft. (t.t.-a). Publish to web from Power BI. Microsoft Learn. Diakses 15 Oktober 2026 dari https://learn.microsoft.com/en-us/power-bi/collaborate-share/service-publish-to-web

Microsoft. (t.t.-b). Use the Analysis ToolPak to perform complex data analysis. Microsoft Support. Diakses 15 Oktober 2026 dari https://support.microsoft.com/en-us/office/use-the-analysis-toolpak-to-perform-complex-data-analysis-6c67ccf0-f4a9-487c-8dec-bdb5a2cefab6

Okabe, M., & Ito, K. (2008). Color universal design (CUD): How to make figures and presentations that are friendly to colorblind people. https://jfly.uni-koeln.de/color/

Rougier, N. P., Droettboom, M., & Bourne, P. E. (2014). Ten simple rules for better figures. PLOS Computational Biology, 10(9), e1003833. https://doi.org/10.1371/journal.pcbi.1003833

Tableau. (2024, 30 April). Local file save with Tableau Desktop Public Edition. https://www.tableau.com/blog/local-file-save-tableau-desktop-public-edition

Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.

Weissgerber, T. L., Milic, N. M., Winham, S. J., & Garovic, V. D. (2015). Beyond bar and line graphs: Time for a new data presentation paradigm. PLOS Biology, 13(4), e1002128. https://doi.org/10.1371/journal.pbio.1002128

Wong, B. (2011). Points of view: Color blindness. Nature Methods, 8(6), 441. https://doi.org/10.1038/nmeth.1618

Beranda

Selamat Datang di Pertemuan 7

Selamat datang di pertemuan ketujuh, pertemuan terakhir sebelum UTS. Di pertemuan sebelumnya Anda belajar menilai sumber dan menjaga integritas akademik. Kali ini Anda mengolah data sendiri: menata tabel ke bentuk tidy, membersihkan kesalahan dengan tercatat, menghitung statistik deskriptif, lalu menyajikannya sebagai grafik dan infografis yang jujur. Modul ini disusun untuk mahasiswa Biologi dan Pendidikan Biologi sekaligus, dengan contoh dari laboratorium riset dan dari ruang kelas.

Identitas Modul
Mata kuliah	Teknologi Informasi dan Literasi Data (TILDA)
Pertemuan	Ke-7: Pengolahan, Analisis Deskriptif, dan Visualisasi Data Biologi
Sasaran	Mahasiswa Prodi Biologi dan Prodi Pendidikan Biologi
Sub-CPMK	Mengolah, menganalisis, memvisualisasikan, dan menyajikan data biologi menggunakan perangkat lunak atau aplikasi digital secara sistematis.
Indikator	Mengolah dan menyajikan data biologi menggunakan perangkat lunak atau aplikasi digital dalam bentuk tabel, grafik, atau visualisasi.
Metode	Workshop, project-based learning, demonstrasi, praktik komputer
Media	Laptop/PC, proyektor, LMS, Microsoft Excel atau Google Sheets, Canva, Looker Studio/Tableau Public/Power BI, ChatGPT/Copilot/Gemini, berkas Dataset_Latihan_TILDA_P04_P07.xlsx, internet
Nilai karakter	Ketekunan, kemandirian, kerja sama, keberinisiatifan, tanggung jawab
Tagihan	Mini Riset 1 (kelompok): dataset bersih, tabel hasil olahan, grafik, infografis sederhana, rancangan awal Mini Riset (judul, sumber data, tujuan)
Bobot penilaian	Mini Riset 1: 9% dari nilai akhir
Alokasi waktu	2 × 50 menit tatap muka, ditambah penugasan terstruktur dan belajar mandiri

Setelah mempelajari modul ini, Anda mampu:

Menjelaskan tahap pengolahan data dan mengubah tabel lebar menjadi bentuk tidy dengan kamus data.
Membersihkan data secara terdokumentasi: label, sel teks, data hilang, baris ganda, pencilan, dan tanggal.
Menghitung statistik deskriptif per kelompok dan memilih antara rerata atau median, serta SD atau SE.
Memilih jenis grafik sesuai pertanyaan dan merapikannya menurut daftar periksa grafik ilmiah.
Menilai rekomendasi grafik dari AI dan menyusun infografis sederhana.
Menyusun produk Mini Riset 1 bersama kelompok.

1Alur dan tidyTahap data, bentuk tabel, kamus data.

2MembersihkanData hilang, pencilan, baris ganda.

3StatistikRerata, median, SD, SE.

4Grafik dan infografisPilih, rapikan, sajikan.

5Praktik dan tugasC1 sampai C6, Mini Riset 1.

Peta modul. Urutannya tetap: tata, bersihkan, hitung, lalu sajikan.

Cara Memakai E-Modul Ini

Gunakan menu di atas untuk berpindah bagian, atau tombol di bawah setiap halaman untuk melanjutkan. Setiap bagian punya alamat sendiri, jadi Anda bisa menyimpan atau membagikan tautan ke bab tertentu, dan tombol Back di peramban membawa Anda ke bagian sebelumnya.

Setiap bab dibuka dengan timeline bergerak yang merangkum langkah kerjanya dan ditutup dengan kuis Cek Pemahaman. Modul ini juga memuat delapan gambar interaktif; klik tombol di dalam gambar untuk berpindah tampilan. Siapkan berkas Dataset_Latihan_TILDA_P04_P07.xlsx sebelum masuk ke halaman Praktik.