🎯 Tujuan 📐 Mean, Median, Modus 🔗 Korelasi ≠ Kausalitas 🎮 Outlier & Pattern Studio 📝 Evaluasi Formatif ✨ Rangkuman & Refleksi
Learn / KKA / Analisis Data / 04. Menganalisis Pola Data
🤖 KKA · Unit 06 · Modul 04

Menemukan Pola, Tren, & Hubungan Korelasi Data

Jadilah detektif data yang jeli! Kuasai statistik deskriptif (Mean, Median, Modus), lakukan pembersihan data kotor (Data Cleaning), temukan nilai anomali pencilan (Outlier), dan pahami hukum emas sains data: "Korelasi tidak selalu berarti hubungan sebab-akibat (Kausalitas)!"

⏱️ Waktu: 45 Menit 🔍 Deteksi: Outlier, Korelasi & Cleaning 📝 Evaluasi: 20 Soal (4 Bagian)
🎯

Tujuan Pembelajaran

Kompetensi yang akan kamu kuasai setelah menyelesaikan modul ini

01.
Menghitung Nilai Tendensi Sentral

Menentukan Mean (rata-rata), Median (titik tengah), dan Modus (nilai paling sering muncul) serta kapan waktu tepat menggunakannya.

02.
Mendeteksi Nilai Pencilan (Outlier)

Mengidentifikasi data anomali ekstrim yang dapat mendistorsi nilai rata-rata kelompok.

03.
Membedakan Korelasi vs Hubungan Sebab-Akibat

Memahami bahwa dua variabel yang bergerak searah belum tentu saling menyebabkan (Correlation $\neq$ Causation).

04.
Mempraktikkan Pembersihan Data (Data Cleaning)

Menangani data kosong (missing values), menghapus duplikasi, dan menstandardisasi format data teks.

1

3 Ukuran Tendensi Sentral Data

Menyimpulkan karakteristik seluruh kumpulan data dalam satu nilai representatif

📐

1. Mean (Rata-Rata)

Jumlah seluruh nilai dibagi banyaknya data. Kelemahan: Sangat mudah terdistorsi jika ada data pencilan ekstrim (outlier).

⚖️

2. Median (Nilai Tengah)

Nilai yang berada tepat di tengah setelah data diurutkan dari kecil ke besar. Sangat kebal terhadap pengaruh angka pencilan.

🏆

3. Modus (Paling Populer)

Nilai atau kategori yang frekuensi kemunculannya paling tinggi. Sangat cocok untuk data kategorikal (misal: menu kantin terlaris).

2

Prinsip Emas: Korelasi $\neq$ Kausalitas

Dua kejadian yang bergerak bersamaan belum tentu memiliki hubungan sebab-akibat

1. Korelasi Positif

Variabel A naik, Variabel B ikut naik (Contoh: Semakin lama durasi belajar $\rightarrow$ semakin tinggi nilai ujian).

2. Korelasi Negatif

Variabel A naik, Variabel B turun (Contoh: Semakin sering bermain game larut malam $\rightarrow$ semakin turun tingkat konsentrasi pagi).

3. Korelasi Semu (Spurious)

Penjualan es krim naik saat kasus tenggelam di pantai naik. Keduanya BUKAN saling menyebabkan, melainkan sama-sama dipicu faktor musim kemarau!

🎮

Interactive Outlier & Central Tendency Studio

Amati bagaimana nilai pencilan ekstrim (Outlier) merusak nilai Mean, tetapi Median tetap stabil!

Pattern Engine
📊 Dataset Uang Saku 5 Siswa (Normal):
[Rp 10.000, Rp 12.000, Rp 12.000, Rp 15.000, Rp 15.000]

Perhatikan pergeseran angka rata-rata ketika 1 data ekstrim masuk ke dalam perhitungan!

STATISTICAL SENSITIVITY TEST DATA NORMAL
MEAN (RATA-RATA) Rp 12.800
MEDIAN (TITIK TENGAH) Rp 12.000
💡 Pada data normal, nilai Mean dan Median sangat dekat mencerminkan uang saku mayoritas siswa.
📝

Evaluasi Formatif: Menganalisis Pola Data

Uji pemahaman Mean/Median/Modus, Outlier, dan korelasi kausalitas (Total Skor: 100)

Target Kelulusan Minimal 70 Poin
Bagian A

Pilihan Ganda (5 Soal · Bobot: 25 Poin)

1. Nilai yang paling sering muncul dalam sebuah dataset frekuensi dinamakan...

2. Mengapa nilai Median lebih disarankan dibanding Mean saat menganalisis data pendapatan warga yang memiliki beberapa orang miliarder super kaya?

3. Contoh korelasi negatif dalam kehidupan sehari-hari siswa adalah...

4. Aktivitas menghapus baris ganda yang tidak sengaja terkirim dua kali saat responden mengisi survei disebut...

5. Modul bawaan bahasa Python yang menyediakan fungsi perhitungan mean(), median(), dan mode() adalah...

Bagian B

Benar atau Salah (5 Soal · Bobot: 25 Poin)

1. Outlier adalah data anomali yang nilainya menyimpang sangat jauh dari pola kelompok data lainnya.
2. Jika data penjualan es krim dan kasus kebakaran sama-sama meningkat saat musim panas, maka es krim adalah penyebab kebakaran.
3. Data Cleaning (pembersihan data) wajib dilakukan sebelum dataset dimasukkan ke dalam algoritma machine learning AI.
4. Pada sekumpulan angka yang simetris sempurna tanpa outlier, nilai Mean, Median, dan Modus akan bernilai hampir sama.
5. Missing values (data kosong) sebaiknya dibiarkan saja tanpa perlu diperbaiki atau diisi nilai rata-rata.
Bagian C

Menjodohkan Konsep Analisis & Definisinya (5 Pasangan · Bobot: 25 Poin)

Bagian D

Urutan Tahap Pembersihan & Analisis Dataset (Bobot: 25 Poin)

Urutkan proses analisis data dari tabel mentah kotor hingga kesimpulan:

A. Mengimpor file dataset tabel spreadsheet mentah yang baru dikumpulkan
B. Melakukan data cleaning: menghapus duplikasi dan mengisi kolom yang kosong
C. Memeriksa dan menangani nilai pencilan ekstrim (outlier) yang salah ketik
D. Menghitung nilai Mean, Median, Modus, serta memvisualisasikan scatter plot
E. Menarik wawasan pola korelasi dan menyusun laporan rekomendasi temuan
✨

Rangkuman Materi & Refleksi Belajar

Tuliskan pemahaman dan pengalaman belajarmu pada materi ini

1. Ketajaman Analisis: Pilihlah Median saat data mengandung outlier ekstrim dan gunakan Modus untuk data pilihan kategori.

2. Berpikir Kritis Kausalitas: Jangan terburu-buru menyimpulkan sebab-akibat hanya karena dua data bergerak bersamaan.

3. Fondasi Kebersihan Data: Data cleaning adalah 80% kunci sukses keberhasilan proyek analitik dan machine learning.