Kelas XII

2025

Translasi Bahasa Pemrograman dan Pengolahan Data Bervolume Besar

Informatika Kelas XII – Bab 4

Translasi Bahasa Pemrograman dan Pengolahan Data Bervolume Besar

Selamat datang di pembelajaran Informatika Kelas XII. Pada bab ini, kita akan mempelajari dua topik utama:

Translasi Bahasa Pemrograman

Memahami proses mengubah program dari satu bahasa pemrograman ke bahasa lain dengan memperhatikan sintaks dan semantik.

Pengolahan Data Bervolume Besar

Mempelajari teknik dan alat untuk menganalisis, memvisualisasikan, dan mengolah data dalam jumlah besar menggunakan Python.

A. Translasi Bahasa Pemrograman

Apa itu Translasi Bahasa Pemrograman?

Translasi bahasa pemrograman adalah proses mengubah program dari satu bahasa ke bahasa lain dengan tujuan agar kode dapat dijalankan di lingkungan yang berbeda.

Translasi memungkinkan pengembang untuk:

• Menjalankan program di platform yang berbeda

• Menggunakan fungsi khusus dari bahasa lain

• Mengoptimalkan kinerja program

• Mengintegrasikan kode dengan sistem yang sudah ada

Sintaks Bahasa Pemrograman

Definisi

Sintaks adalah aturan penulisan kode dalam bahasa pemrograman yang meliputi statement, ekspresi, tanda baca, dan urutan penulisan.

Perbedaan Sintaks

Setiap bahasa memiliki sintaks unik. Contohnya, penulisan perulangan berbeda antara Python dan C++.

Pentingnya Sintaks

Kode harus mengikuti struktur tata bahasa dari masing-masing bahasa agar dapat dijalankan tanpa error.

Semantik Bahasa Pemrograman

Apa itu Semantik?

Semantik adalah arti atau makna dari perintah dalam kode program. Ini menentukan bagaimana suatu program akan berjalan.

Contoh semantik dalam pemrograman:

• Penggunaan operator seperti += untuk penambahan dan penugasan

• Mekanisme pemanggilan fungsi

• Pengelolaan memori dan alokasi sumber daya

• Interpretasi pernyataan kondisional

Penting Diingat

Dalam translasi bahasa pemrograman, semantik harus sesuai dengan logika bahasa tujuan agar hasil eksekusi program tetap sama.

Proses Translasi Bahasa

Identifikasi Struktur Program Asal

Menganalisis dan memahami struktur, sintaks, dan semantik kode program dalam bahasa asal.

Tentukan Bahasa Tujuan

Memilih bahasa pemrograman target yang sesuai dengan kebutuhan dan lingkungan yang dituju.

Sesuaikan Sintaks dan Semantik

Mengubah kode sesuai dengan aturan sintaks dan semantik bahasa tujuan.

Pemetaan Struktur Data dan Logika

Memastikan struktur data dan logika program tetap terjaga dalam proses translasi.

Uji Hasil Translasi

Memverifikasi bahwa hasil translasi berfungsi identik dengan program asli.

Contoh Translasi Python ke C++

Kode Python:

for i in range(5): print(i)

Python menggunakan indentasi untuk menandai blok kode dan sintaks yang lebih sederhana.

Kode C++:

for (int i = 0; i < 5; i++) { cout << i << endl;

}

C++ memerlukan tanda kurung kurawal untuk menandai blok kode, tipe data yang eksplisit, dan sintaks yang lebih rinci.

Meskipun sintaks berbeda, kedua kode memiliki semantik yang sama: mencetak angka dari 0 hingga 4.

Untuk implementasi lebih lanjut perhatikan halaman 137

B. Pengolahan Data Bervolume Besar

Menggunakan Python dan Google Colab

Untuk mengolah data bervolume besar, kita akan menggunakan:

• Google Colab sebagai IDE berbasis cloud

• Python sebagai bahasa pemrograman utama

• Library Pandas untuk analisis data

• NumPy untuk operasi matematis

• Matplotlib untuk visualisasi data

Google Colab menyediakan lingkungan yang cocok untuk pengolahan data berskala besar karena dapat diakses di mana saja dan mendukung berbagai library Python.

Membaca Data dari Spreadsheet

Langkah-langkah Membaca Data:

1. Impor library Pandas

2. Gunakan fungsi read_excel() untuk membaca file Excel

3. Simpan hasil dalam variabel

import pandas as pddata = pd.read_excel('/content/data_transaksi.xlsx')

File Excel akan dibaca dan struktur datanya disimpan dalam variabel data sebagai DataFrame Pandas.

Pandas juga mendukung format file lain seperti CSV, JSON, SQL, dan lainnya melalui fungsi seperti read_csv(),

read_json(), dll.

Menampilkan Data

head()

data.head()

Menampilkan 5 baris pertama dari dataset. Sangat berguna untuk melihat struktur data secara cepat tanpa harus menampilkan seluruh dataset.

tail()

data.tail()

Menampilkan 5 baris terakhir dari dataset. Membantu untuk melihat data terbaru jika dataset diurutkan berdasarkan waktu.

Kedua metode ini menerima parameter opsional untuk menentukan jumlah baris yang ditampilkan, misalnya head(10) akan menampilkan 10 baris pertama.

Menampilkan Kolom Tertentu

Cara Akses Kolom Tunggal:

data['Negara']data['Wilayah']

Dengan menggunakan notasi kurung siku dan nama kolom, kita dapat mengakses data pada kolom tertentu. Hasil yang dikembalikan adalah Series Pandas yang berisi semua nilai dalam kolom tersebut.

Kita juga dapat mengakses beberapa kolom sekaligus dengan:

data[['Negara', 'Wilayah']]

Ini akan mengembalikan DataFrame baru dengan hanya kolom yang dipilih.

Untuk implementasi lebih lanjut perhatikan halaman 163

Menghitung Total Nilai Kolom

Menggunakan Metode sum()

data['Total Penerimaan'].sum()

Metode sum() menghitung total nilai dari seluruh baris pada kolom yang dipilih. Ini sangat berguna untuk mendapatkan total penjualan, pendapatan, atau metrik numerik lainnya.

Contoh hasil:

15750000

Metode agregasi lain yang sering digunakan:

• mean() - rata-rata nilai

• max() - nilai maksimum

• min() - nilai minimum

• count() - jumlah entri tidak-null

Statistik Dasar (Deskriptif)

Menggunakan Metode describe()

data.describe()

Metode describe() memberikan ringkasan statistik untuk kolom numerik dalam DataFrame, termasuk:

• count - jumlah data tidak-null

• mean - rata-rata

• std - standar deviasi

• min - nilai minimum

• 25%, 50%, 75% - kuartil

• max - nilai maksimum

Pengelompokan Data

Menggunakan Metode groupby()

data.groupby('Negara')['Total Penjualan'].sum()

Langkah-langkah pengelompokan:

1. Pilih kolom untuk pengelompokan ('Negara')

2. Pilih kolom untuk agregasi ('Total Penjualan')

3. Terapkan fungsi agregasi (sum())

Hasil akan menampilkan total penjualan untuk setiap negara. Sangat berguna untuk menganalisis data berdasarkan kategori atau wilayah.

Negara

Indonesia 3500000

Jepang 2800000

Malaysia 1200000

Singapura 2500000

Thailand 1800000

Name: Total Penjualan, dtype: int64

Pengurutan Data

Menggunakan Metode sort_values()

data.sort_values('Keuntungan', ascending=False)

Parameter:

• 'Keuntungan' - kolom yang menjadi dasar pengurutan

• ascending=False - urutan dari besar ke kecil

Jika ingin mengurutkan dari kecil ke besar, gunakan ascending=True.

Pengurutan data membantu untuk:

• Mengidentifikasi produk/negara dengan kinerja terbaik

• Menemukan transaksi dengan nilai tertinggi/terendah

• Memprioritaskan analisis pada data yang lebih signifikan

Menyaring Data

Menggunakan Kondisi Boolean

data[data['Wilayah'] == 'Asia']

Metode ini akan menampilkan hanya baris-baris dimana nilai kolom 'Wilayah' adalah 'Asia'.

Kita dapat membuat filter yang lebih kompleks:

# Data dengan penjualan > 1000 di Asiadata[(data['Wilayah'] == 'Asia') & (data['Total Penjualan'] > 1000)]

Operator perbandingan yang dapat digunakan:

• == (sama dengan)

• != (tidak sama dengan)

• > (lebih besar dari)

• < (lebih kecil dari)

• >= (lebih besar atau sama dengan)

• <= (lebih kecil atau sama dengan)

Membuat Histogram

Visualisasi Distribusi Data

import matplotlib.pyplot as plt

data['Total Penjualan'].plot.hist()

plt.show()

Histogram menampilkan distribusi frekuensi nilai pada kolom 'Total Penjualan', membantu kita memahami:

• Range nilai penjualan

• Frekuensi nilai pada rentang tertentu

• Pola distribusi (normal, skewed, bimodal)

Kita dapat menyesuaikan tampilan histogram dengan parameter tambahan:

data['Total Penjualan'].plot.hist(

bins=20, # Jumlah kelompok

color='skyblue', # Warna batang title='Distribusi Penjualan' # Judul)

Untuk implementasi lebih lanjut perhatikan halaman 173

Grafik Tren Penjualan Tahunan

Visualisasi Tren Waktu

data.groupby('Tahun')['Total Penjualan'].sum().plot()

plt.show()

Langkah-langkah pembuatan grafik tren:

1. Kelompokkan data berdasarkan tahun

2. Hitung total penjualan per tahun

3. Plot hasil sebagai grafik garis

Kita dapat menambahkan elemen untuk memperjelas grafik:

plt.title('Tren Penjualan Tahunan’)

plt.xlabel('Tahun’)

plt.ylabel('Total Penjualan (Rp)’)

plt.grid(True)

Untuk implementasi lebih lanjut perhatikan halaman 174

Akses Elemen Array

Cara Mengakses Elemen

data = np.array([[1, 2], [3, 4]])# Akses elemen baris ke-1 kolom ke-2

elemen = data[0][1]

# Hasilnya: 2

# Alternatif dengan indeks ganda

elemen = data[0, 1]

# Hasilnya: 2

Ingat bahwa indeks array dimulai dari 0, bukan 1.

Cara mengakses bagian array (slicing):

# Array 1

Darr = np.array([1, 2, 3, 4, 5])

bagian = arr[1:4] # Hasilnya: [2, 3, 4]

# Array 2D

baris_pertama = data[0, :] # Seluruh baris ke-0

kolom_kedua = data[:, 1] # Seluruh kolom ke-1

Perjalanan Anda Dimulai Sekarang!

Selamat! Anda telah menyelesaikan dasar-dasar penting dalam translasi bahasa pemrograman dan pengolahan data bervolume besar. Pengetahuan yang Anda peroleh adalah fondasi yang kokoh untuk petualangan Anda di dunia teknologi.

Teruslah berlatih, berani mencoba, dan jangan takut menghadapi tantangan. Setiap baris kode yang Anda tulis adalah langkah baru menuju penguasaan. Masa depan data dan teknologi ada di tangan Anda!