Konsep berpikir komputasional erat kaitanya dalam pengelolaan data, terutama dalam konteks data science dan kecerdasan artifisial. Mengacu pada definisi operasional berpikir komputasional kita dapat mengasah kecakapan dekomposisi, abstraksi, pengenalan pola, dan algoritma sehingga bisa membantu seseorang dalam memecahkan masalah secara efisien efektif dan optimal. 

Mengelola data dalam kehidupan sehari-hari 

Pengelolaan data yang baik memiliki peranan penting untuk membantu sebuah pengambilan keputusan dengan cara mengumpulkan data, menganalisis data suatu kegiatan agar dapat memberikan informasi yang jelas dan akurat. Pengelolaan data yang baik harus melalui tahapan pengolahan dan penyajian data yang sistematis. Proses pengolahan data yang baik bertujuan untuk menyusun data mentah menjadi informasi yang lebih sederhana sehingga mudah dipahami serta dapat digunakan untuk keperluan analisis lebih lanjut. 

“Cara menemukan dan mengolah data secara sistematis (misalnya, catatan wawancara, observasi) untuk meningkatkan pengetahuan peneliti dan menyajikannya sebagai temuan.” 

“Kegiatan yang dilakukan dengan menggunakan masukan berupa data dan menghasilkan informasi yang bermanfaat untuk tujuan sesuai rencana” Menurut sifatnya, data digolongkan menjadi dua kelompok data yaitu data kualitatif dan data kuantitatif. Data kualitatif adalah data dalam bentuk kategori atau atribut, sedangkan data kuantitatif adalah data yang berbentuk bilangan. Data kuantitatif dikelompokkan menjadi dua yaitu data diskrit dan data kontinu. Data diskrit dapat diperoleh dari hasil membilang atau operasi aritmatika dan data kontinu diperoleh dari hasil mengukur. 

Menurut cara memperoleh data terbagi menjadi dua kelompok yaitu data primer dan data sekunder. Data primer adalah data yang diperoleh dengan cara memperoleh data secara langsung dari sumbernya sedangkan data sekunder adalah data yang diperoleh sudah dalam bentuk jadi dari pihak lain. Data dapat peroleh melalui kegiatan eksperimen atau kegiatan bukan eksperimen. Berikut adalah aktivitas penyelesaian pengelolaan data dengan menerapkan berpikir komputasional: 

A. Dekomposisi 

Proses dekomposisi merupakan proses pemecahan masalah besar menjadi sub masalah yang lebih kecil sehingga data lebih mudah dikelola. Kegiatan yang kita lakukan adalah mengidentifikasi data yang diperlukan dan sumber data. 

B. Pengenalan Pola 

Mengidentifikasi pola bertujuan untuk menemukan tren data yang dapat memberikan informasi berharga dengan cara mengelompokkan data, pembersihan data, dan klasifikasi data. Pembersihan data perlu dilakukan untuk memeriksa data guna menghindari adanya kesalahan seperti duplikasi dan nilai yang hilang, serta data yang tidak valid. 

Data yang telah diperiksa kemudian diklasifikasikan berdasarkan kategori tertentu berdasarkan faktor yang relevan. Ketika diidentifikasi, Anda dapat menggunakan berbagai teknik pembersihan data, yaitu: 

• Standardisasi 

Ketidakkonsistenan muncul ketika data direpresentasikan dalam format atau struktur yang berbeda dalam kumpulan data yang sama. Sebagai contoh, ketidaksesuaian yang umum terjadi adalah format tanggal, seperti "MM-DD-YYYY" dangan "DD-MM-YYYY." Menstandarkan format dan struktur dapat membantu memastikan keseragaman dan kompatibilitas untuk analisis yang akurat. 

• Mengatasi outlier 

Outlier adalah titik data yang menyimpang secara signifikan dari yang lain dalam kumpulan data, yang disebabkan oleh kesalahan, kejadian langka, atau anomali yang sebenarnya. Nilai-nilai ekstrem ini dapat mendistorsi analisis dan akurasi model dengan memiringkan rata-rata atau tren. Para profesional manajemen data dapat mengatasi outlier dengan mengevaluasi apakah itu kesalahan data atau nilai yang berarti. Kemudian, mereka dapat memutuskan untuk mempertahankan, menyesuaikan, atau menghapus outlier tersebut berdasarkan relevansinya dengan analisis. 

• Deduplikasi 

Deduplikasi data adalah proses perampingan di mana data yang berlebihan dikurangi dengan menghilangkan salinan ekstra dari informasi yang sama. Catatan duplikat terjadi ketika titik data yang sama diulang karena masalah integrasi, kesalahan entri data manual, atau gangguan sistem. Duplikat dapat menggelembungkan kumpulan data atau mendistorsi analisis, sehingga menghasilkan kesimpulan yang tidak akurat. 

• Mengatasi missing values 

Missing values muncul ketika titik data tidak ada karena pengumpulan data yang tidak lengkap, kesalahan input, atau kegagalan sistem. Kesenjangan ini dapat mendistorsi analisis, menurunkan akurasi model, dan membatasi utilitas kumpulan data. Untuk mengatasi hal ini, para profesional data dapat mengganti missing values dengan data yang diperkirakan, menghapus entri yang tidak lengkap, atau menandai missing values untuk penyelidikan lebih lanjut. 

• Validasi 

Tinjauan di akhir proses pembersihan data sangat penting dalam memverifikasi bahwa data sudah bersih, akurat, dan siap untuk dianalisis atau divisualisasikan. Validasi data sering kali melibatkan penggunaan pemeriksaan manual atau alat pembersih data otomatis untuk memeriksa kesalahan yang tersisa, data yang tidak konsisten, atau anomali. 

Analis data, insinyur data, dan profesional manajemen data lainnya melakukan teknik pembersihan data melalui metode manual menggunakan spreadsheet Microsoft Excel. Untuk data yang lebih kompleks memungkinkan juga menggunakan bahasa pemrograman seperti Python, SQL, R dan AI juga dapat digunakan untuk membantu mengotomatiskan dan mengoptimalkan beberapa langkah pembersihan data, termasuk: menganalisis data sumber, menstandarkan data, menggabungkan duplikat dan penerapan aturan pembersihan data.

C. Abstraksi 

Menyederhanakan informasi yang berfokus pada data penting dan mengabaikan data yang tidak relevan dalam pengelolaan data tersebut, yang kita lakukan adalah mengekstraksi fitur-fitur penting dari data mentah yang dapat digunakan untuk analisis lebih lanjut. 

D. Algoritma

Penyusunan Instruksi Tahap akhir dalam pengolahan data sehingga bisa membantu dalam mengambil sebuah keputusan yang kita lakukan adalah analisis waktu tempuh yang melibatkan beberapa komponen utama. Setelah melakukan tahap dekomposisi, abstraksi, dan mengenal pola kita dapat mengembangkan algoritma untuk menghitung waktu tempuh berkendara dengan langkah-langkah yang sistematis. Contoh pemecahan masalah logistik dalam menghitung waktu tempuh berkendara dengan instruksi yang efektif dengan membagi masalah menjadi langkah-langkah yang dapat diikuti dengan mudah. Setiap langkah harus dirumuskan dengan jelas dan logis. Algoritma yang dibuat harus mengikuti urutan yang benar dalam proses perhitungan. 

Algoritma diatas dapat Anda kembangkan lebih kompleks atau lebih sederhana, tergantung pada faktor-faktor yang dimasukkan, dan dapat lebih dioptimalkan agar menghasilkan instruksi yang efisiensi. Kesimpulan yang bisa kita ambil adalah, berpikir komputasional membantu dalam mengelola data sehingga memungkinkan masalah kompleks dapat diselesaikan dengan cara yang lebih terstruktur dan sistematis. 

Random Group Generator  https://en.rakko.tools/tools/59/ 

https://padlet.com/verdyhendrianto2025/dataku-e3mntc3ncx5gtxxk