Laboratorium Sains Data

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menulis kode dasar R dan Python untuk menyimpan, menyusun, dan memanipulasi data sederhana — fondasi untuk seluruh proses analisis data di pertemuan-pertemuan berikutnya.

R vs Python: Dua Bahasa, Satu Tujuan

Keduanya adalah bahasa open-source (gratis, kode sumber terbuka) favorit data scientist — pilihan tergantung kebutuhan, bukan mana yang "lebih baik".

Lingkungan Kerja: Tempat Anda Menulis Kode

Sebuah IDE (Integrated Development Environment — aplikasi tempat menulis & menjalankan kode) memudahkan Anda melihat hasil kode secara langsung.

Variabel dan Tipe Data Dasar

Sebuah variabel adalah "kotak berlabel" untuk menyimpan nilai. Setiap nilai punya tipe data yang menentukan operasi apa yang bisa dilakukan padanya.

nama <- "Toko Berkah"
harga <- 25000
diskon <- 0.1
aktif <- TRUE

nama = "Toko Berkah"
harga = 25000
diskon = 0.1
aktif = True

Hitung dari Nol: Konversi Tipe & Total Transaksi

Data transaksi UMKM sering tersimpan sebagai teks (mis. dari formulir online). Sebelum dijumlah, ia harus dikonversi ke tipe numeric.

Coba Sendiri: Konversi Tipe Data & Jumlahkan Transaksi

Ubah nilai transaksi lalu lihat langsung hasil konversi ke numeric, totalnya, dan rata-ratanya.

Struktur Data: Vector (R) & List (Python)

Untuk menyimpan banyak nilai sekaligus (bukan cuma satu), kita pakai struktur data vector (R) atau list (Python).

harga <- c(25000, 30000, 18000)
mean(harga)
# 24333.33

harga = [25000, 30000, 18000]
sum(harga) / len(harga)
# 24333.33

Struktur Data Inti: Data Frame

Struktur data paling penting dalam data science: tabel dengan baris (observasi) dan kolom (variabel) — persis seperti spreadsheet Excel.

data <- data.frame(
  produk = c("Kaos", "Tas"),
  harga  = c(75000, 120000)
)

import pandas as pd
data = pd.DataFrame({
  "produk": ["Kaos", "Tas"],
  "harga": [75000, 120000]
})

Membaca Data & Inspeksi Awal

Data biasanya datang dalam file CSV (Comma-Separated Values — format teks tabel sederhana). Langkah pertama selalu: baca file, lalu intip isinya.

data <- read.csv("transaksi.csv")
head(data)
str(data)

data = pd.read_csv("transaksi.csv")
data.head()
data.info()

Seleksi Kolom & Filter Baris

Dua operasi paling sering: select (ambil kolom tertentu) dan filter (ambil baris yang memenuhi syarat).

library(dplyr)
data %>%
  select(produk, harga) %>%
  filter(kategori == "Fashion")

data[["produk", "harga"]][
  data["kategori"] == "Fashion"
]

Hitung dari Nol: Filter + Rata-rata Kategori

Dataset berisi 5 transaksi. Kita ingin tahu rata-rata harga produk kategori Fashion saja.

Transformasi: Menambah Kolom Baru

Sering kali kita perlu menghitung kolom baru dari kolom yang sudah ada, misalnya harga setelah diskon.

data <- data %>%
  mutate(harga_diskon = harga * 0.9)

data["harga_diskon"] = (
  data["harga"] * 0.9
)

Grouping & Ringkasan Data

Meringkas data per kelompok adalah operasi paling bernilai bagi bisnis — mis. rata-rata harga per kategori produk.

data %>%
  group_by(kategori) %>%
  summarise(rata2 = mean(harga))

data.groupby("kategori")[
  "harga"
].mean()

Coba Sendiri: Simulasi Group By SQL

Pilih kolom pengelompokan dan fungsi agregasi, lalu lihat langsung bagaimana data dipecah, dihitung, dan digabungkan kembali menjadi tabel ringkasan.

Kontrol Alur: if/else & Loop untuk Validasi Data

Data mentah sering punya nilai janggal (harga negatif, kategori kosong). Kontrol alur membantu kita memeriksa data secara otomatis.

for (h in harga) {
  if (h < 0) {
    print("Harga tidak valid")
  }
}

for h in harga:
    if h < 0:
        print("Harga tidak valid")

Menulis Fungsi Sendiri

Sebuah fungsi membungkus kode yang sering dipakai ulang jadi satu blok bernama — ditulis sekali, dipanggil berkali-kali.

hitung_diskon <- function(harga) {
  return(harga * 0.9)
}
hitung_diskon(100000)  # 90000

def hitung_diskon(harga):
    return harga * 0.9

hitung_diskon(100000)  # 90000

Latihan Kelas: Pipeline Data Mini

Kerjakan berpasangan (15 menit) di R atau Python — pilih salah satu yang Anda kuasai.

Rangkuman & Menuju Pertemuan 4