Analisis Data Menggunakan Orange

 

Setiap hari, kita disuguhkan berbagai visualisasi data yang keren—seperti grafik jumlah penonton TikTok, infografis di berita, atau diagram nilai ujian. Pernahkah kalian bertanya, bagaimana data mentah bisa berubah menjadi gambar yang informatif dan mudah dipahami? Di tengah banjir data dari media sosial, cuaca, hingga hasil belajar, kita perlu alat yang bisa membantu mengolah dan menyajikan informasi tersebut dengan cara yang menarik. Nah, hari ini kita akan mencoba menjadi ilmuwan data pemula! Tanpa perlu menulis kode, kita akan belajar menganalisis data hanya dengan drag, klik, dan sambung menggunakan alat yang menyenangkan: Orange Data Mining. Siap menerima tantangan dan menjelajahi dunia data seperti ilmuwan sungguhan?

 

Penjelasan Konsep (teori)

Saat ini, kita hidup di era di mana data sangat melimpah—mulai dari data belanja online, hasil ujian, hingga jumlah penonton YouTube. Tapi bagaimana cara kita mengubah data yang kompleks menjadi informasi yang mudah dipahami? Nah, disinilah kita akan berkenalan dengan alat yang menarik, seru, dan powerful: Orange Data Mining!

 

Apa itu Orange Data Mining?

Orange adalah perangkat lunak open-source (gratis dan bebas digunakan) yang digunakan untuk:

·        Visualisasi data

·        Pembelajaran mesin (machine learning)

·        Data mining (penggalian informasi dari data)

Keunikan Orange adalah tampilannya yang visual dan interaktif. Artinya, kita tidak perlu menjadi ahli coding atau programmer untuk bisa menggunakannya. Cukup drag-and-drop komponen yang disebut widget, sambungkan satu sama lain, dan… Voila! Analisis data siap dilakukan!

 

Mengapa Kita Menggunakan Orange?

Berikut beberapa alasan mengapa Orange sangat cocok, bahkan untuk pemula sekalipun:

·        Visual dan intuitif – Antarmuka drag-and-drop memudahkan kamu membuat alur

kerja (workflow) tanpa menulis kode.

·        Cocok untuk belajar – Siswa bisa memahami konsep analisis data secara bertahap

dan menyenangkan.

·        Widget lengkap – Ada banyak pilihan widget untuk berbagai keperluan: baca data,

tampilkan grafik, buat model, uji hasil, dll.

·        Kompleks tapi sederhana – Meskipun sederhana digunakan, Orange bisa

menangani workflow analisis data yang cukup kompleks

Mengenal Antar Muka Orange

Agar kamu lebih akrab saat mulai menggunakan Orange, mari kita pahami bagian-bagian penting dalam tampilannya:

 

1. Canvas (Kanvas Kerja)

➤ Tempat utama kamu bekerja dan menyusun workflow. Di sini, kamu

menghubungkan widget untuk membuat alur analisis data.

2. Sidebar (Panel Widget)

➤ Terletak di samping kiri layar. Berisi kumpulan kategori widget, seperti:

○ Data – untuk membaca dan mengatur data

○ Visualize – untuk menampilkan data dalam bentuk grafik

○ Model – untuk membuat model machine learning

○ Evaluate – untuk menguji hasil model yang dibuat

3. Connections (Koneksi)

➤ Garis-garis yang menghubungkan satu widget dengan widget lainnya. Ini yang

menunjukkan alur kerja kamu.

4. Save & Load Workflow

➤ Kamu bisa menyimpan pekerjaanmu dalam bentuk file dan membukanya kembali

lain waktu. Praktis!

 

Memahami Widget dan Workflow

Ini inti dari cara kerja Orange. Bayangkan kamu sedang membangun rumah dari balok-balok Lego. Nah:

Widget adalah balok-balok Lego-nya.

➤ Setiap widget punya tugas khusus. Contohnya:

○ File untuk membaca file data

○ Data Table untuk menampilkan tabel

○ Scatter Plot untuk membuat grafik

○ Logistic Regression untuk melatih model

Workflow adalah susunan widget yang saling terhubung, membentuk satu rangkaian

proses analisis.

➤ Misalnya:

File → Select Columns → Scatter Plot → Test & Score

 

 

 

 

 

 

Data Preprocessing

Dalam Orange, data preprocessing adalah tahap awal untuk menyiapkan data sebelum dianalisis atau dimasukkan ke algoritma machine learning.

Tujuannya: memastikan data bersih, konsisten, dan siap diproses agar hasil analisis/visualisasi akurat.

 

Langkah-langkah Data Preprocessing yang Penting untuk Statistik

Drop NA (Missing Values)

•        Menghapus baris/kolom yang berisi data kosong (NA/null).

•        Atau, kalau datanya penting, bisa diisi pakai mean, median, modus.

•        Contoh: nilai ujian siswa ada yang kosong → bisa dihapus, atau diganti dengan rata-rata kelas.

Drop Duplicates (Data Duplikat)

•        Menghapus data ganda/terulang supaya tidak bias dalam analisis.

•        Contoh: ada siswa yang datanya tercatat 2 kali.

Drop Columns (Kolom Tidak Relevan)

•        Hapus kolom yang tidak dipakai dalam analisis statistik.

•        Contoh: kolom Nama tidak relevan kalau tujuannya menghitung rata-rata nilai siswa.

 

Mari Kita Coba:

1.      Drag & Drop Widget File

2.      Pilih Source Filenya

3.      Drag and Drop Widget Data Table kemudian hubungkan dengan file

4.      Tambahkan Info untuk melihat apakah ada data yang missing atau tidak

5.      Tambahkan Add on dan cari Text

 

6.      Tambahkan Distance kemudian atur sebagai berikut. Tujuannya agar mendeteksi nanti baris mana yang punya kesamaan.

7.      Kemudian Gabungkan dengan Duplicate Detection dan Data Table sehingga dapat menampilkan hasil tanpa duplicate

8.      Tambahkan Impute dan atur sebagai berikut. Tujuannya agar data yang kosong akan diisikan oleh nilai rata-rata

 

 

9.      Kemudian sambungkan lagi dengan Data Table sehingga kita bisa melihat hasilnya

 

 

10.  Pilih kolom yang akan kita gunakan.

 

11.  Misalnya kita ingin mengabaikan kolom status_pernikahan, keterangan maka kita bisa. Menaruh status_pernikahan dan keterangan kebagian ignore

12.  Hubungkan Kembali Select Column dengan data table

13.  Data Preprocessing untuk menghapus NA, Duplicate, dan Select Column Sudah Selesai dilakukan

 

 

Data Analisis untuk Mencari Mean, Median, Modus

 

Menggunakan Dataset yang sebelumnya anda bisa menghitung mean, median, modus pada data yang sudah dilakukan preprocess (Saya mengisikan NA dengan mean) tadi. Silakan tambahkan feature statistics.

Kira-Kira Rangkaian akhirnya sebagai berikut:

 

Hasil Statistik yang didapatkan:

-        Mean: Nilai Rata-Rata

-        Mode/Modus: nilai yang sering muncul

-        Median: Nilai Tengah

-        Dispersion/Variansi: seberapa jauh data menyebar dari nilai rata-ratanya

-        Min: Nilai terendah

-        Max: Nilai tertinggi

 

 

 

Visualisasi Data

1.      Mencari tahu sebaran distribusi. Tambahkan Widget Distribution

2.      Klik bagian distribution kemudian atur yang mana yang mau dilihat distribusinya