{"id":21407,"date":"2026-10-04T00:33:26","date_gmt":"2026-10-03T17:33:26","guid":{"rendered":"https:\/\/man2kulonprogo.sch.id\/m2kp\/?p=21407"},"modified":"2026-10-04T00:55:45","modified_gmt":"2026-10-03T17:55:45","slug":"pembersihan-dan-pembingkaian-data","status":"publish","type":"post","link":"https:\/\/man2kulonprogo.sch.id\/m2kp\/2026\/10\/04\/pembersihan-dan-pembingkaian-data\/","title":{"rendered":"Pembersihan dan Pembingkaian Data"},"content":{"rendered":"

Informatika Kelas X \u2014 Bab 6: Analisis Data<\/h2>\n

Bagian H: Pembersihan dan Pembingkaian Data<\/h3>\n

Pengampu :<\/strong> Zuli Irawanto, ST<\/p>\n

\n

\ud83c\udfaf Tujuan Pembelajaran<\/h3>\n

Setelah mempelajari materi ini, siswa diharapkan mampu:<\/p>\n

    \n
  1. Menjelaskan alasan data mentah perlu dibersihkan sebelum dianalisis.<\/li>\n
  2. Mengenali masalah umum pada data: data ganda, data kosong, teks tidak seragam, dan tipe data salah.<\/li>\n
  3. Membersihkan data memakai pandas (drop_duplicates<\/code>, fillna<\/code>, dropna<\/code>, str.strip<\/code>, astype<\/code>).<\/li>\n
  4. Membingkai data yang sudah bersih ke dalam DataFrame yang rapi dan merangkumnya per kelompok.<\/li>\n<\/ol>\n
    \n

    Mengapa Data Perlu Dibersihkan?<\/h3>\n

    Data hasil pengumpulan (Bagian G) jarang langsung rapi. Ada nilai yang kosong, ada nama yang tercatat dua kali, ada tulisan yang tidak seragam. Kalau data seperti itu langsung dianalisis, hasilnya bisa menyesatkan<\/strong>. Ada ungkapan terkenal di dunia komputer: “garbage in, garbage out”<\/em>, artinya masukan yang buruk menghasilkan keluaran yang buruk.<\/p>\n

    Analogi sederhana:<\/strong>
    \nMembersihkan data itu seperti mencuci beras sebelum dimasak<\/strong>. Kerikil dan kotoran dibuang dulu, baru nasinya enak dan aman dimakan. Dalam analisis data, tahap ini adalah tahap kedua: pembersihan<\/strong>.<\/div>\n

    Empat masalah yang paling sering muncul:<\/p>\n

    \n\n\n\n\n\n\n\n\n
    Masalah<\/span><\/th>\nContoh<\/span><\/th>\nAkibat bila dibiarkan<\/span><\/th>\n<\/tr>\n<\/thead>\n
    Data ganda<\/strong><\/td>\nSiswa “Sari” tercatat 2 kali<\/td>\nRata-rata dan jumlah jadi keliru<\/td>\n<\/tr>\n
    Data kosong<\/strong><\/td>\nNilai Andi belum terisi (NaN<\/code>)<\/td>\nPerhitungan error atau tidak akurat<\/td>\n<\/tr>\n
    Teks tidak seragam<\/strong><\/td>\n\"x-1\"<\/code>, \" X-1\"<\/code>, \"X-1 \"<\/code><\/td>\nDianggap kelas yang berbeda-beda<\/td>\n<\/tr>\n
    Tipe data salah<\/strong><\/td>\nNilai tersimpan sebagai teks \"87\"<\/code><\/td>\nTidak bisa dijumlahkan atau dirata-ratakan<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

    Pembingkaian data (data framing<\/em>)<\/strong> adalah menyusun data yang sudah bersih ke dalam DataFrame<\/strong> (tabel dengan baris dan kolom yang rapi) supaya siap dirangkum, dibandingkan, dan divisualisasikan.<\/p>\n

    \n
    Alur membersihkan data (dibaca dari atas ke bawah)<\/div>\n
    1\ufe0f\u20e3 Periksa<\/strong> \u279c cari data kosong dan data ganda<\/div>\n
    \u2193<\/div>\n
    2\ufe0f\u20e3 Hapus data ganda<\/strong> \u279c drop_duplicates()<\/code><\/div>\n
    \u2193<\/div>\n
    3\ufe0f\u20e3 Tangani data kosong<\/strong> \u279c fillna()<\/code> atau dropna()<\/code><\/div>\n
    \u2193<\/div>\n
    4\ufe0f\u20e3 Rapikan teks dan tipe data<\/strong> \u279c str.strip()<\/code>, astype()<\/code><\/div>\n
    \u2193<\/div>\n
    5\ufe0f\u20e3 Bingkai & rangkum<\/strong> \u279c DataFrame siap dianalisis<\/div>\n<\/div>\n
    \n

    Cara Belajar Bagian Ini<\/h3>\n

    Bagian ini berisi 5 Tugas Praktik<\/strong>, yaitu Praktik 34 sampai 38<\/strong> (melanjutkan Bagian G). Polanya masih sama: \ud83e\udd14 Tebak dulu<\/strong> \u2192 \u2328\ufe0f Ketik & jalankan<\/strong> \u2192 \u2705 Cocokkan<\/strong> \u2192 \ud83d\udca1 Pahami<\/strong> \u2192 \ud83c\udfc1 Tantangan mini<\/strong>.<\/p>\n

    Persiapan:<\/strong> buat notebook baru bernama Praktik_Bab6H_NamaKamu<\/strong>. Praktik 34 sampai 37 berlanjut dalam satu notebook<\/strong> dan memakai variabel df<\/code> dari sel sebelumnya, jadi jalankan sel dari atas ke bawah secara berurutan. Praktik 38 berdiri sendiri.<\/div>\n
    \n

    \ud83e\uddea Tugas Praktik 34: Memeriksa Data yang Kotor<\/h3>\n
    \ud83e\udd14 Tebak dulu!<\/strong> Perhatikan tabel nilai di bawah. Menurutmu, masalah apa saja yang ada di dalamnya?<\/div>\n

    \u2328\ufe0f Ketik di sel kode, lalu jalankan:<\/strong><\/p>\n

    import pandas as pd\r\n\r\ndata = {\r\n    \"Nama\": [\"Budi\", \"Sari\", \"Andi\", \"Sari\", \"Dedi\", \"Rina\"],\r\n    \"Kelas\": [\"X-1\", \"X-1\", \"X-2\", \"X-1\", \"X-2\", \"X-1\"],\r\n    \"Nilai\": [87, 90, None, 90, 75, 82]\r\n}\r\ndf = pd.DataFrame(data)\r\n\r\nprint(df)\r\nprint()\r\nprint(df.isnull().sum())\r\nprint(\"Data ganda:\", df.duplicated().sum())<\/pre>\n
    \u2705 Hasilnya:<\/strong><\/p>\n
       Nama Kelas  Nilai\r\n0  Budi   X-1   87.0\r\n1  Sari   X-1   90.0\r\n2  Andi   X-2    NaN\r\n3  Sari   X-1   90.0\r\n4  Dedi   X-2   75.0\r\n5  Rina   X-1   82.0\r\n\r\nNama     0\r\nKelas    0\r\nNilai    1\r\ndtype: int64\r\nData ganda: 1<\/pre>\n
    \ud83d\udca1 Penjelasan:<\/strong> Tabel ini sengaja dibuat kotor. Nilai Andi kosong<\/strong>, ditulis NaN<\/code> (singkatan Not a Number<\/em>), dan baris Sari muncul dua kali<\/strong>. df.isnull().sum()<\/code> menghitung data kosong di setiap kolom. Hasilnya, kolom Nilai punya 1 data kosong. df.duplicated().sum()<\/code> menghitung baris yang menggandakan baris sebelumnya, dan hasilnya 1. Pemeriksaan seperti ini selalu dilakukan lebih dulu<\/strong> sebelum membersihkan. Catatan: nilai berubah menjadi 87.0<\/code> (desimal) karena kolom yang berisi NaN<\/code> bertipe desimal.<\/p>\n
    \ud83c\udfc1 Tantangan mini:<\/strong> Tambahkan satu data kosong lagi pada kolom Nilai (ganti angka dengan None<\/code>). Apa hasil isnull().sum()<\/code> sekarang?<\/div>\n
    \n
    \ud83e\uddea Tugas Praktik 35: Menghapus Data Ganda<\/h3>\n
    \ud83e\udd14 Tebak dulu!<\/strong> Jika baris ganda dihapus, tabel tinggal berapa baris?<\/div>\n
    \u2328\ufe0f Ketik di sel kode, lalu jalankan:<\/strong><\/p>\n
    print(\"Sebelum:\", df.shape)\r\n\r\ndf = df.drop_duplicates()\r\nprint(\"Sesudah:\", df.shape)\r\n\r\ndf = df.reset_index(drop=True)\r\nprint(df)<\/pre>\n
    \u2705 Hasilnya:<\/strong><\/p>\n
    Sebelum: (6, 3)\r\nSesudah: (5, 3)\r\n   Nama Kelas  Nilai\r\n0  Budi   X-1   87.0\r\n1  Sari   X-1   90.0\r\n2  Andi   X-2    NaN\r\n3  Dedi   X-2   75.0\r\n4  Rina   X-1   82.0<\/pre>\n
    \ud83d\udca1 Penjelasan:<\/strong> drop_duplicates()<\/code> menghapus baris yang sama persis dengan baris sebelumnya, dan baris pertama dipertahankan. Ukuran tabel turun dari 6 menjadi 5 baris. Setelah baris dihapus, nomor indeks menjadi loncat (ada yang hilang), jadi kita rapikan dengan reset_index(drop=True)<\/code> agar nomornya berurutan lagi. Perhatikan bahwa hasilnya disimpan kembali ke df<\/code><\/strong>. Tanpa itu, df<\/code> tidak berubah.<\/p>\n
    \ud83c\udfc1 Tantangan mini:<\/strong> Apa yang terjadi jika drop_duplicates()<\/code> dijalankan sekali lagi? Tebak dulu!<\/div>\n
    \n
    \ud83e\uddea Tugas Praktik 36: Menangani Data Kosong<\/h3>\n
    \ud83e\udd14 Tebak dulu!<\/strong> Ada dua cara menangani nilai Andi yang kosong: membuang barisnya, atau mengisinya. Mana yang lebih baik menurutmu?<\/div>\n
    \u2328\ufe0f Ketik di sel kode, lalu jalankan:<\/strong><\/p>\n
    print(\"Jika baris kosong dibuang:\", df.dropna().shape)\r\n\r\nrata = df[\"Nilai\"].mean()\r\nprint(\"Rata-rata nilai yang ada:\", rata)\r\n\r\ndf[\"Nilai\"] = df[\"Nilai\"].fillna(rata)\r\nprint(df)<\/pre>\n
    \u2705 Hasilnya:<\/strong><\/p>\n
    Jika baris kosong dibuang: (4, 3)\r\nRata-rata nilai yang ada: 83.5\r\n   Nama Kelas  Nilai\r\n0  Budi   X-1   87.0\r\n1  Sari   X-1   90.0\r\n2  Andi   X-2   83.5\r\n3  Dedi   X-2   75.0\r\n4  Rina   X-1   82.0<\/pre>\n
    \ud83d\udca1 Penjelasan:<\/strong> dropna()<\/code> membuang baris yang punya data kosong, sehingga tabel menyusut menjadi 4 baris dan datanya berkurang. fillna(rata)<\/code> mengisi data kosong dengan nilai pengganti, di sini rata-rata nilai yang ada (83,5). Pilihan mana yang dipakai tergantung keadaan:<\/p>\n
    \n\n\n\n\n\n\n
    Cara<\/span><\/th>\nPerintah<\/span><\/th>\nCocok dipakai bila<\/span><\/th>\n<\/tr>\n<\/thead>\n
    Buang baris<\/td>\ndf.dropna()<\/code><\/td>\nData kosong sedikit dan tidak penting<\/td>\n<\/tr>\n
    Isi dengan rata-rata<\/td>\ndf[\"Nilai\"].fillna(rata)<\/code><\/td>\nData kosong cukup banyak dan kita butuh semua baris<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n
    \u26a0\ufe0f Jujurlah pada data!<\/strong> Mengisi data kosong adalah perkiraan<\/em>, bukan fakta. Selalu catat cara yang kamu pakai, dan jangan mengubah angka agar hasilnya terlihat bagus.<\/div>\n
    \ud83c\udfc1 Tantangan mini:<\/strong> Coba isi data kosong dengan angka 0, bukan rata-rata. Bagaimana pengaruhnya pada rata-rata kelas?<\/div>\n
    \n
    \ud83e\uddea Tugas Praktik 37: Merapikan Teks dan Tipe Data<\/h3>\n
    \ud83e\udd14 Tebak dulu!<\/strong> Tiga kelas di bawah sebenarnya sama, yaitu “X-1”. Tetapi komputer membacanya sebagai tiga tulisan berbeda. Mengapa?<\/div>\n
    \u2328\ufe0f Ketik di sel kode, lalu jalankan:<\/strong><\/p>\n
    df2 = pd.DataFrame({\r\n    \"Nama\": [\" budi\", \"SARI \", \"andi\"],\r\n    \"Kelas\": [\"x-1\", \"X-1 \", \" x-1\"],\r\n    \"Nilai\": [\"87\", \"90\", \"75\"]\r\n})\r\n\r\ndf2[\"Nama\"] = df2[\"Nama\"].str.strip().str.title()\r\ndf2[\"Kelas\"] = df2[\"Kelas\"].str.strip().str.upper()\r\ndf2[\"Nilai\"] = df2[\"Nilai\"].astype(int)\r\n\r\nprint(df2)\r\nprint(\"Rata-rata:\", df2[\"Nilai\"].mean())<\/pre>\n
    \u2705 Hasilnya:<\/strong><\/p>\n
       Nama Kelas  Nilai\r\n0  Budi   X-1     87\r\n1  Sari   X-1     90\r\n2  Andi   X-1     75\r\nRata-rata: 84.0<\/pre>\n
    \ud83d\udca1 Penjelasan:<\/strong> .str.strip()<\/code> membuang spasi di depan dan belakang teks, .str.title()<\/code> membuat huruf awal kapital (“budi” menjadi “Budi”), dan .str.upper()<\/code> membuat semua huruf besar. Selain itu, nilai awalnya berupa teks<\/strong> (\"87\"<\/code>), sehingga tidak bisa dirata-ratakan. Perintah astype(int)<\/code> mengubahnya menjadi bilangan bulat. Ingat perbedaan \"87\"<\/code> dan 87<\/code> pada Praktik 2? Sekarang kamu membetulkannya dengan pandas.<\/p>\n
    \ud83c\udfc1 Tantangan mini:<\/strong> Ubah astype(int)<\/code> menjadi astype(float)<\/code>. Apa bedanya pada hasil rata-rata dan tampilan nilainya?<\/div>\n
    \n
    \ud83e\uddea Tugas Praktik 38: Mini Proyek: Dari Data Kotor ke Rangkuman Kelas<\/h3>\n
    \ud83e\udd14 Tebak dulu!<\/strong> Setelah data dibersihkan, kelas mana yang rata-ratanya lebih tinggi, X-1 atau X-2?<\/div>\n
    \u2328\ufe0f Ketik di sel kode, lalu jalankan:<\/strong><\/p>\n
    import pandas as pd\r\n\r\nmentah = {\r\n    \"Nama\": [\"Budi\", \"Sari\", \"Andi\", \"Sari\", \"Dedi\", \"Rina\"],\r\n    \"Kelas\": [\"X-1\", \"X-1\", \"X-2\", \"X-1\", \"X-2\", \"X-1\"],\r\n    \"Nilai\": [87, 90, None, 90, 75, 82]\r\n}\r\n\r\ndf = pd.DataFrame(mentah)\r\ndf = df.drop_duplicates().reset_index(drop=True)\r\ndf[\"Nilai\"] = df[\"Nilai\"].fillna(df[\"Nilai\"].mean())\r\n\r\nrekap = df.groupby(\"Kelas\")[\"Nilai\"].mean()\r\nprint(df)\r\nprint()\r\nprint(rekap.round(1))<\/pre>\n
    \u2705 Hasilnya:<\/strong><\/p>\n
       Nama Kelas  Nilai\r\n0  Budi   X-1   87.0\r\n1  Sari   X-1   90.0\r\n2  Andi   X-2   83.5\r\n3  Dedi   X-2   75.0\r\n4  Rina   X-1   82.0\r\n\r\nKelas\r\nX-1    86.3\r\nX-2    79.2\r\nName: Nilai, dtype: float64<\/pre>\n
    \ud83d\udca1 Penjelasan:<\/strong> Seluruh tahap pembersihan digabung: hapus data ganda, rapikan indeks, lalu isi data kosong dengan rata-rata. Setelah bersih, data dibingkai<\/strong> dalam DataFrame dan dirangkum dengan groupby(\"Kelas\")<\/code>, yaitu mengelompokkan baris berdasarkan kelas, lalu menghitung rata-rata nilai tiap kelompok. Inilah tahap pengolahan data<\/strong> yang menjadi bahan untuk grafik di Bagian I. Selamat! \ud83c\udf89 Kamu sudah menjalani alur lengkap: data kotor \u2192 data bersih \u2192 informasi.<\/p>\n
    \ud83c\udfc1 Tantangan mini:<\/strong> Ganti .mean()<\/code> pada groupby<\/code> dengan .max()<\/code>. Siapa nilai tertinggi di tiap kelas? (petunjuk: yang tampil adalah nilainya)<\/div>\n
    \n
    Rangkuman<\/h3>\n