00:00:00
hai Sebelumnya kita sudah membahas Apa
00:00:11
itu industri 40 atau eradata lalu
00:00:14
kaitannya dengan tipe data dan sains
00:00:17
data Sekarang saatnya Mari kita
00:00:20
mendiskusikan tentang tipe dan format
00:00:23
data design stepa atau istilahnya
00:00:26
variety Selamat mengikuti Ih apa sih
00:00:33
sebenarnya dapat informasi dan Insight
00:00:36
Apa bedanya Baik saya menemukan contoh
00:00:39
ini yang menurut saya contoh ini cukup
00:00:42
baik saya ambil dari ini dari sumber ini
00:00:45
eh ah menurut eh apa Menurut sumber ini
00:00:50
menjelaskan bahwa odata itu sebenarnya
00:00:55
kata dia adalah ini data itu sebenarnya
00:00:58
fakta atau ukuran
00:01:00
Hai jadi ya bisa berat badan tinggi
00:01:02
badan Kecepatan angin kecepatan
00:01:06
kendaraan mobil dan lain sebagainya
00:01:08
suatu ukurannya satu peran atau fakta
00:01:11
atau kuantitas sedangkan informasi ya
00:01:14
simpulkan informasi nah ini informasinya
00:01:17
gagal ini agak-agak Ria informasi adalah
00:01:21
anu Let's dari data jadi beberapa sumber
00:01:25
kalau kita lihat di literatur
00:01:27
menjelaskan informasi dengan penggunaan
00:01:30
terminologi nodya Awas seandainya tidak
00:01:34
suka definisi yang informasi dengan
00:01:37
menggunakan narasi nulis bisa juga
00:01:40
kemudian informasi dimaknai sebagai
00:01:42
nginx-full data-data yang memiliki arti
00:01:45
contohnya misalnya kalau tadi kecepatan
00:01:49
mobil misalnya 89 KPJ Lalu awal
00:01:54
informasi itu diberikan konteks jadi
00:01:56
misalnya sebuah angkot GTA
00:02:00
Hai membelok dengan kecepatan 89 KPJ
00:02:03
naik angkotnya lagi ngejar setoran
00:02:05
bisanya gitu ya maka itu adalah
00:02:08
informasi bedanya dengan oleh capai gitu
00:02:11
ya bedanya dengan nulis Kalau nulis
00:02:14
biasanya dikaitkan dengan pengetahuan
00:02:17
baik pengetahuan teori maupun
00:02:19
pengetahuan praktis misalnya kalau
00:02:23
angkot membelok dengan kecepatan 89 KPJ
00:02:27
maka kemungkinan besar ia akan mengalami
00:02:30
kecelakaan karena misalnya bannya selip
00:02:34
atau anders teratau apa istilahnya itu
00:02:36
ya Ada lam adalah negara ilmu sebut itu
00:02:40
disebutnya sebagai nole nah kemudian
00:02:44
kalau Insight apa kalau Inside bedanya
00:02:48
dengan information dan nulis dia adalah
00:02:52
pemahaman yang mendalam akan selalu hal
00:02:56
yang diamati Iya nah ini dalam hal
00:03:00
berarti adalah tentang misalkan ilmu apa
00:03:05
itu transportasi atau misalnya lalu
00:03:08
lintas atau misalnya fisika terkait
00:03:10
dengan proteksi dan saya pernah punya
00:03:13
teman yang ketiganya kemudian belajar
00:03:15
akan hal ini pernah pengetahuan yang
00:03:19
yang luas dan mendalam akan satu hal
00:03:22
Tiara Inilah yang disebut sebagai Inside
00:03:25
itulah mengapa data Scientist tugasnya
00:03:28
mencari Insight dari data karena dia
00:03:31
kemudian mencari semua informasi dari
00:03:33
berbagai perspektif dari data yang ada
00:03:36
dicampur dengan domain oleh dengan
00:03:39
bisnis understanding akhirnya dia
00:03:41
memahami benar apa yang kemudian ia
00:03:44
analisa seperti itu Lalu bagaimana
00:03:47
dengan wisdom Nah setelah kita
00:03:49
mendapatkan invite pengetahuan yang
00:03:51
mendalam dari berbagai perspektif GTA ah
00:03:56
kemudian kita melakukan aksi melakukan
00:03:59
aksi
00:04:00
hai lalu kita juga dengan jasmani yang
00:04:02
baik gitu ya Nah aksi dan jasmani yang
00:04:05
baik inilah kemudian melahirkan wisdom
00:04:08
gitu Jadi kita memiliki Insight yang
00:04:11
luas akan sesuatu pemahaman yang
00:04:14
mendalam akan sesuatu lalu aksi dari
00:04:17
situ Nasinya kalau aksinya itu aksi yang
00:04:20
tepat itu dengan dengan penilaian yang
00:04:23
baik akan akan kan informasi tersebut
00:04:25
akan Insight tersebut maka inilah yang
00:04:28
kemudian disebut sebagai wish them Saya
00:04:31
akan menggunakan ini saudata merangkum
00:04:34
sedikit klasifikasi ada berdasarkan
00:04:37
sumbernya ada berdasarkan tipe datanya
00:04:41
tipe datanya nanti ada yang bergantung
00:04:43
waktu ada yang berupa grafik atau
00:04:46
network ada berdasarkan strukturnya
00:04:48
dasarkan lokasi dan type klasifikasi
00:04:52
lain kita akan bahas satu persatu baik
00:04:55
utama dari sumber data dari sumber data
00:04:58
maka ada dua yang pertama sumber datanya
00:05:01
adalah sekundet yang kedua sumber
00:05:03
datanya adalah primer Sumber data yang
00:05:06
seaprime dulu ya kita bahas ya Sumber
00:05:09
data yang primer adalah sumber data
00:05:11
dimana kita mengambil secara langsung
00:05:15
pengamatannya kita langsung melakukan
00:05:17
pengukurannya misalnya survei kuesioner
00:05:21
kita ambil sendiri atau misalnya
00:05:23
menghitung banyaknya antrian di bank
00:05:25
masih selesai dulu pernah diberi tugas
00:05:27
seperti itu ketika belajar teori antrian
00:05:29
misalnya atau jumlah eh jumlah orang
00:05:34
yang mengunjungi suatu pusat
00:05:36
perbelanjaan misalnya lalu misalnya
00:05:38
menghitung dengan kaunter itu primer
00:05:40
sedangkan yang sekunder adalah yang
00:05:44
tidak mengambil secara langsung misalnya
00:05:46
seorang peneliti atau mahasiswa yang
00:05:50
sedang mengerjakan skripsi mengembangkan
00:05:52
memodifikasi sebuah algoritma atau model
00:05:55
hai lalu ingin membandingkan algoritma
00:05:58
atau modelnya itu dengan algoritma atau
00:06:00
model yang sudah ada lalu dia ambil data
00:06:03
dari internet dia unduh atau download
00:06:04
data tersebut adalah data sekunder
00:06:07
karena bukan dia sendiri yang kemudian
00:06:10
mengambil datanya tapi dia hanya
00:06:13
mengambil dari apa yang di sudah
00:06:16
dikumpulkan oleh orang lain kita pernah
00:06:18
membahas sebelumnya data terstruktur
00:06:20
gampangnya memahaminya adalah data dalam
00:06:24
bentuk tabel-tabel biasanya yang
00:06:27
dijelaskan di buku-buku adalah keempat
00:06:29
tipe data ini yaitu nominal ordinal
00:06:32
interval dan ratio tapi saya perlu
00:06:36
menerangkan bahwa ini adalah
00:06:38
pengklasifikasian data berdasarkan
00:06:41
Steven tapi kalau kita baca di literatur
00:06:45
cara mengklasifikasikan data tidak hanya
00:06:49
ini bahkan cukup banyak debat atau
00:06:53
diskusi Apakah ini adalah
00:06:55
klasifikasi tipe data yang terbaik yang
00:06:58
pertama adalah nominal nominal adalah
00:07:00
tipe data yang beku nangka dan dia tidak
00:07:03
memiliki urutan misalnya disini jenis
00:07:06
kelamin agama negara seseorang kode pos
00:07:10
warna dan lain sebagainya berikutnya
00:07:13
adalah tipe data ordinal tipe data
00:07:16
ordinal adalah tipe data yang aturannya
00:07:19
dia bukan merupakan kaya tapi dia
00:07:21
memiliki kerutan contohnya Pak contohnya
00:07:24
misalnya tingkat pendidikan SD SMA SMP
00:07:27
SMU Diploma S1 S2 S3 angkat militer
00:07:32
sersan mayor Jenderal Saya tidak apa
00:07:36
pangkat di ML Lalu ada misalnya
00:07:39
nilai-nilai misalnya edit Lalu ada CBA
00:07:45
plus waktu itu dan seterusnya tipe data
00:07:49
berikutnya lagi adalah interval interval
00:07:51
Ini tipenya sudah berupa angka numerik
00:07:53
nah ini istilahnya B
00:07:55
ada ya kadang-kadang disebut memberi
00:07:57
kuantitatif atau Matrix nah Nih kalau
00:08:00
orang matematik biasanya suka nyebutnya
00:08:02
Matrix interval ini adalah data yang
00:08:04
berbentuk angka tapi ia tidak bisa
00:08:09
diperbandingkan langsung misalnya Ecu
00:08:11
Ketus atau misalnya TOEFL orangnya tuh
00:08:14
file-nya 600 bahasa Inggrisnya dua kali
00:08:16
lebih pintar daripada yang tubuhnya 300
00:08:19
ini tidak demikian contoh lain lagi
00:08:21
biasanya di buku-buku adalah suhu tapi
00:08:23
suhu dalam Celcius dan Fahrenheit titik
00:08:26
juga tidak bisa diperbandingkan jadi
00:08:28
200° Celcius itu bukan dua kali lebih
00:08:31
panas dari 100° Celcius dan seterusnya
00:08:35
terakhir tipe datanya adalah rasio
00:08:38
dimana dari rasio ini kalau ini tadi
00:08:41
istilahnya nggak punya nomor tak yang
00:08:42
tapi kadang-kadang mahasiswa atau siswa
00:08:45
agak kesulitan denomo termasuk apa
00:08:48
gampangnya adalah tadi ya tidak bisa
00:08:50
diperbandingkan secara langsung
00:08:52
sedangkan kalau-kalau rasio itu adalah
00:08:55
Hai diperbandingkan secara langsung
00:08:57
misalnya berat badan tinggi badan mereka
00:08:59
yang beratnya 60 kg itu jelas dua kali
00:09:02
lebih berat dari mereka yang 30 kg
00:09:05
termasuk juga dengan gaji misalnya
00:09:07
mereka yang gajinya Oh misalnya 10 juta
00:09:11
itu dua kali dari yang gajinya misalnya
00:09:14
5000000 berikutnya didata terstruktur
00:09:17
masih didata terstruktur ada data-data
00:09:20
yang kemudian ia bergantung waktu
00:09:23
Thailand series data kalau orang
00:09:25
statistik menyebutnya kalau orang
00:09:27
machine-learning dan deployment biasanya
00:09:29
menyebut juga Steven spielberg
00:09:32
berikutnya masih didata terstruktur ada
00:09:35
namanya data yang tergantung lokasi atau
00:09:37
spasial datang di
