RPP Deep Learning: Literasi Data Lanjut (Big Data)

Menganalisis data dalam jumlah besar yang tidak bisa diolah Excel biasa. Konsep Inti:
Data sebagai aset baru ( The New Oil ).

1. Informasi Umum

Keterangan Detail

Nama Sekolah SMA Daarut Tauhiid Boarding School Putri

Nama Guru Dedi Effendi, [Link]

Mata Pelajaran Informatika

Fase/Kelas Fase F / XII

Tahun Pelajaran 2025/2026

Materi Pokok Literasi Data Lanjut (Big Data & Data Storytelling)

Alokasi Waktu 2 Pertemuan x 45 menit (Total 90 menit)

Model Pembelajaran Problem-Based Learning (PBL)

Metode Pembelajaran Demonstrasi, Eksperimen, Diskusi Reflektif

2. Tujuan & Pemahaman Bermakna

A. Capaian Pembelajaran (CP) yang Relevan

 Elemen Analisis Data (AD) Fase F: Peserta didik mampu mengumpulkan,

membersihkan, dan memproses big data dari berbagai sumber. Peserta didik dapat
 menerapkan visualisasi interaktif untuk menemukan pola tersembunyi, memprediksi tren,
dan mendukung pengambilan keputusan strategis.
 Elemen Dampak Sosial Informatika (DSI) Fase F: Peserta didik mampu menganalisis
secara kritis implikasi etika, hukum, dan sosial dari teknologi informatika (privasi data)
dan mampu merumuskan kebijakan penggunaan TIK yang bertanggung jawab.
B. Tujuan Pembelajaran (ATP)

Setelah mengikuti proses pembelajaran menggunakan model Problem-Based Learning (PBL),

peserta didik diharapkan mampu:

Domain Tujuan Pembelajaran (ATP)

(Bloom/SOLO)

C1/C2 Menjelaskan konsep Big Data (Volume, Velocity, Variety) dan

(Unistructural) memahami analogi "Data sebagai The New Oil".

C3 Mengimplementasikan teknik web scraping sederhana secara etis

(Multistructural) (dengan panduan) untuk mengumpulkan data mentah dari sumber
publik.

C4 (Relational) Menganalisis data yang terkumpul dan membuat visualisasi interaktif

yang efektif menggunakan tools (Tableau/Power BI) untuk menemukan
pola dan mendukung kesimpulan.

C5/C6 (Extended Menyajikan temuan data (Data Storytelling) serta menganalisis dan
Abstract) merefleksikan dilema etika (privasi vs. kenyamanan) secara mandiri
(Bernalar Kritis).

C. Pemahaman Bermakna (Deep Learning Principle: Meaningful)

Peserta didik akan memahami bahwa di era digital, data adalah kekuatan ekonomi dan sosial
yang baru. Kemampuan menganalisis data besar bukan hanya keterampilan teknis, tetapi juga
alat strategis untuk pengambilan keputusan dan memiliki implikasi etis yang mendalam terhadap
privasi dan keadilan sosial.
D. Profil Pelajar Pancasila & Karakter DT
Dimensi Profil Karakter Daarut Tauhiid
Pelajar Pancasila

Bernalar Kritis Menganalisis sumber data, validitas, dan bias dalam Big Data.

Kreativitas Merancang visualisasi interaktif yang unik dan efektif (Data

Storytelling).

Kemandirian Melakukan proses scraping dan visualisasi data secara mandiri.

Ma'rifatullah Merefleksikan bahwa data dan informasi adalah amanah (trust),

sehingga penggunaannya harus jujur dan tidak melanggar hak privasi
orang lain.

Wawasan Menghubungkan analisis data dengan isu-isu keberlanjutan atau sosial-

Lingkungan lingkungan.

3. Alat & Media

Kategori Deskripsi

Alat Laptop/PC dengan koneksi internet, Proyektor, Papan tulis.

Perangkat Browser Web, Python (Anaconda/Jupyter Notebook) untuk scraping

Lunak demonstrasi, Tableau Public / Microsoft Power BI (atau alternatif Python
Matplotlib/Seaborn).

Media/Bahan Slide presentasi (PPT), Lembar Kerja Peserta Didik (LKPD), Contoh dataset
mock (Data E-commerce/Survei Publik).

4. Kegiatan Pembelajaran

(Alokasi Waktu: 90 menit)

Tahapan Alokas Kegiatan Guru (G) & Siswa (S) Deep Learning (DL) &
i PBL Sintaks

Pendahuluan 10 G: Mengawali dengan salam dan doa. DL: Berkesadaran

menit Melakukan ice-breaking singkat untuk (Conscious) &
membangun fokus. (DL: Membangun Minat. PBL:
Berkesadaran) G: Memperkenalkan Orientasi Peserta Didik
konsep Big Data melalui Pertanyaan pada Masalah.
Pemantik yang menantang:
"Bagaimana Gojek menentukan
harga dinamis (lebih mahal saat
hujan) secara otomatis?" S:
Memberi jawaban awal yang bersifat
spekulatif. G: Menyampaikan tujuan
pembelajaran (ATP) dan relevansi
materi (Data: The New Oil).

Kegiatan Inti 70
menit

1. Orientasi 15 G: Mengarahkan diskusi ke DL: Understanding

Masalah & menit pertanyaan pemantik kedua: (Konstruksi Pengetahuan).
Analisis Etika "Seberapa besar privasi yang harus PBL: Mengorganisasikan
Data kita korbankan demi kenyamanan Siswa untuk Belajar
layanan gratis?" (DL: Bermakna) (Fokus etika dan tujuan
S: Diskusi kelompok singkat pengumpulan data).
mengenai dilema privasi (Data
Pribadi, lokasi, riwayat pencarian). G:
Memperkenalkan etika web scraping
dan prinsip Ma'rifatullah (Amanah
data).

2. 25 G: Demonstrasi langsung teknik DL: Applying (Penerapan

Demonstrasi menit pengumpulan data skala besar Kontekstual). PBL:
& Eksperimen menggunakan web scraping sederhana Membimbing
(Web (misalnya, mengambil daftar harga Penyelidikan
Scraping) buku dari website non-komersial yang Individu/Kelompok.
diizinkan/publik). G: Menekankan
Tahapan Alokas Kegiatan Guru (G) & Siswa (S) Deep Learning (DL) &
i PBL Sintaks

pentingnya file [Link] dan etika

request data. S: Mengamati
demonstrasi. Kelompok menerima
dataset awal atau mencoba
mengeksekusi script sederhana yang
telah disiapkan guru (Eksperimen).

3. Visualisasi 20 G: Meminta siswa mengimpor data DL: Applying &

Interaktif & menit yang sudah terkumpul/disediakan ke Understanding
Analisis tools visualisasi (Tableau (Pendalaman Pengetahuan).
Public/Power BI). G: Memberikan PBL: Mengembangkan
tantangan: "Visualisasikan tren dan Menyajikan Hasil
harga/produk, dan temukan 3 insight Karya.
tersembunyi." (DL:
Menggembirakan) S: Eksplorasi fitur
interaktif (filter, drill-down) untuk
menghasilkan visualisasi yang relevan.

4. Data 10 S: Perwakilan kelompok menyajikan DL: Applying

Storytelling & menit temuan data mereka dalam bentuk (Komunikasi Hasil).
Penyajian Data Storytelling (mengapa visualisasi
ini penting, apa kesimpulannya). G:
Memberikan umpan balik terhadap
kejelasan, kreativitas visualisasi, dan
kedalaman analisis (insight).

Penutup & 10 G: Mendorong refleksi metakognitif. DL: Merefleksi (Evaluasi,

Refleksi menit G: Refleksi Pertanyaan: "Apa Regulasi Diri). PBL:
pelajaran terbesar mengenai tanggung Analisis dan Evaluasi
jawab data yang didapat hari ini?" Proses Pemecahan
(DL: Merefleksi) S: Menyimpulkan Masalah.
pentingnya Bernalar Kritis dalam
melihat data (membedakan korelasi
vs. kausalitas). G: Integrasi Karakter
DT: Mengingatkan bahwa teknologi
Tahapan Alokas Kegiatan Guru (G) & Siswa (S) Deep Learning (DL) &
i PBL Sintaks

harus diarahkan untuk Wawasan

Lingkungan dan kemaslahatan umat,
bukan hanya kepentingan komersial.
G: Pemberian Asesmen
Formatif/Sumatif (Post-test singkat).

5. Asesmen

A. Asesmen Formatif (Saat Kegiatan Inti)

 Teknik: Observasi dan Penilaian Kinerja.

 Instrumen: Lembar Observasi Keterlibatan dalam diskusi etika data dan kemampuan
menjalankan script web scraping dasar.
 Fokus Penilaian: Keterlibatan dalam diskusi etika (Ma'rifatullah), dan Kemampuan
Bernalar Kritis dalam membedakan data primer vs. data hasil scraping.
B. Asesmen Sumatif (Post-Test)

Materi: Literasi Data Lanjut (Konsep, Etika, Teknik) Total Soal: 20 Item

1. Pilihan Ganda (10 Soal)

1. Istilah yang paling tepat untuk mendeskripsikan proses pengambilan data dalam jumlah
besar dari halaman web secara otomatis adalah: A. Data Mining B. Data Warehousing C.
Web Scraping D. Data Visualization E. Machine Learning
2. Apa analogi yang digunakan untuk mendeskripsikan data sebagai aset ekonomi paling
berharga di abad ke-21? A. The New Gold B. The New Water C. The New Oil D. The
New Steel E. The New Dollar
3. Dalam konteks privasi data, kebijakan Gojek menentukan harga dinamis berdasarkan
cuaca dan lokasi adalah contoh dari: A. Data Aggregation B. Data Cleansing C. Data
Storytelling D. Algorithmic Pricing E. Data Ownership
4. Yang merupakan salah satu dari 3V Big Data (Volume, Velocity, Variety) yang paling
terkait dengan kecepatan data yang dihasilkan dan diproses secara real-time adalah: A.
Volume B. Velocity C. Variety D. Veracity E. Value
5. Tujuan utama dari Data Storytelling adalah: A. Mengumpulkan data mentah sebanyak
mungkin. B. Membersihkan data dari noise. C. Mengkomunikasikan temuan data yang
kompleks kepada audiens non-teknis secara naratif. D. Menciptakan algoritma
prediksi. E. Menyimpan data di cloud.
2. Pilihan Ganda Kompleks (5 Soal, Jawaban bisa lebih dari satu)

6. Tanda-tanda etika yang benar yang harus diperhatikan seorang analis data sebelum
melakukan web scraping adalah: (Pilih semua yang benar) A. Menggunakan user agent
yang anonim. B. Memeriksa file [Link] di domain target. C. Tidak melakukan
request data terlalu cepat (mengatur jeda waktu). D. Tidak scraping data pribadi
atau sensitif. E. Melakukan scraping tanpa memberitahu pemilik website.
7. Elemen kunci yang harus diprioritaskan untuk menciptakan visualisasi data interaktif
yang efektif adalah: (Pilih semua yang benar) A. Warna mencolok sebanyak mungkin. B.
Judul dan caption yang jelas. C. Menggunakan grafik pie chart untuk semua jenis data.
D. Memungkinkan pengguna untuk melakukan drill-down atau filtering. E. Memilih
jenis grafik yang sesuai dengan jenis data (misal: time series menggunakan line
chart).
8. Konsep Big Data menimbulkan tantangan etika dan hukum di bidang DSI (Dampak
Sosial Informatika), yaitu: (Pilih semua yang benar) A. Isu privasi data dan
anonimitas. B. Potensi bias algoritmik (diskriminasi harga). C. Kemudahan instalasi
perangkat lunak. D. Kepemilikan dan kontrol data yang dikumpulkan. E. Kecepatan
transfer data.

3. Benar/Salah (5 Soal)

9. Tableau Public dan Power BI adalah contoh tools yang khusus dirancang untuk analisis
Big Data dalam jumlah triliunan record dan bukan untuk visualisasi interaktif. (SALAH)
10. Konsep Ma'rifatullah dalam analisis data menekankan bahwa kita harus menggunakan
data sebagai amanah, yang berarti kita tidak boleh melanggar hak privasi pengguna demi
keuntungan semata. (BENAR)
11. Jika Gojek menggunakan data pengguna secara anonim dan teragregasi untuk
meningkatkan layanan publik, hal ini tetap dianggap sebagai pelanggaran etika data.
(SALAH)
12. Web Scraping adalah proses yang selalu ilegal tanpa terkecuali. (SALAH)
13. Data Storytelling adalah teknik penyajian data yang murni teknis dan hanya ditujukan
untuk sesama analis data. (SALAH)

6. Lampiran

A. Ringkasan LKPD (Lembar Kerja Peserta Didik)

Judul Proyek: Analisis Tren Data Publik dan Dilema Privasi Tugas (Pertemuan 2):

1. Pengumpulan Data: Gunakan script Python sederhana (disediakan) untuk mengambil

50 record data produk dari situs mock e-commerce (URL disiapkan oleh guru). Catat
waktu jeda yang digunakan antar request.
2. Pemrosesan: Bersihkan data (hapus null values, konversi mata uang).
 3. Visualisasi: Buat minimal 3 visualisasi interaktif menggunakan Tableau/Power BI untuk
menjawab pertanyaan: "Apakah ada korelasi antara rating produk dan harganya?"
4. Storytelling: Siapkan narasi singkat (maksimal 3 menit) yang menjelaskan temuan Anda
dan sertakan satu paragraf refleksi kritis mengenai etika Gojek/Grab dalam menggunakan
data lokasi pengguna (DSI).
B. Konsep Kunci (Deep Learning Bacaan)

Data sebagai The New Oil Analogi ini menunjukkan bahwa data mentah (raw data) sama seperti
minyak mentah; ia tidak memiliki nilai secara langsung. Nilai data baru muncul setelah data
dikumpulkan, dibersihkan, dianalisis, dan dimurnikan (diubah menjadi insight). Negara atau
perusahaan yang menguasai dan mampu memproses data secara efektif adalah pihak yang akan
memimpin ekonomi digital.

Dilema Privasi dan Algoritma Harga Perusahaan seperti Gojek/Grab menggunakan algoritma
untuk menentukan harga dinamis (surge pricing). Algoritma ini memproses data real-time
(cuaca, permintaan, kemacetan, bahkan baterai ponsel pengguna). Meskipun ini memberikan
kenyamanan (layanan tersedia cepat), hal ini menimbulkan pertanyaan etis:

1. Apakah adil jika harga berubah hanya karena kita sedang terburu-buru atau kehabisan
baterai? (Bias Algoritmik).
2. Sejauh mana kita memahami dan menyetujui data pribadi kita digunakan untuk
memaksimalkan keuntungan perusahaan? (Consent & Trust/Amanah – Ma'rifatullah).

Dibuat di Bandung, 17 Juli 2025 Guru Mata Pelajaran,

(Dedi Effendi, [Link])