ARIS SANDO HAMZAH

Dalam industri budidaya perikanan, keputusan sering kali harus diambil dengan cepat. Kondisi air dapat berubah dalam hitungan jam, pertumbuhan organisme budidaya bisa melambat tanpa disadari, dan efisiensi pakan dapat berdampak langsung terhadap profitabilitas.

Namun dalam banyak kasus, data operasional tambak masih tersebar dalam berbagai laporan manual, spreadsheet, atau catatan harian. Hal ini membuat proses analisis menjadi lambat dan sulit mendapatkan gambaran menyeluruh mengenai performa budidaya.

Sebagai seorang Data Analyst, saya mencoba menjawab tantangan tersebut dengan membangun sebuah Dashboard Monitoring Budidaya menggunakan Tableau. Tujuan dari dashboard ini adalah menyatukan berbagai indikator penting budidaya dalam satu tampilan visual yang mudah dipahami dan dapat digunakan untuk pengambilan keputusan berbasis data.

Tableau : Dashboard Budidaya

Memahami Permasalahan Operasional

Sebelum membuat dashboard, langkah pertama adalah memahami kebutuhan analisis dari sisi operasional budidaya. Beberapa pertanyaan utama yang ingin dijawab antara lain:

Bagaimana perkembangan pertumbuhan organisme budidaya dari waktu ke waktu?

• Apakah kualitas air berada pada kondisi yang stabil dan optimal?
• Bagaimana efisiensi penggunaan pakan selama siklus budidaya?
• Customer atau tambak mana yang memiliki produktivitas terbaik?

Dengan menjawab pertanyaan-pertanyaan tersebut, dashboard dapat dirancang tidak hanya sebagai tampilan visual data, tetapi juga sebagai alat analisis yang membantu proses pengambilan keputusan.

Mengubah Data Operasional Menjadi Insight

Dashboard ini terdiri dari beberapa bagian utama yang saling melengkapi.

1. Customer Information

Bagian ini memberikan gambaran umum mengenai kondisi operasional setiap customer atau lokasi budidaya, seperti jumlah kolam, fase benur saat tebar, serta jumlah stocking. Informasi ini membantu memahami skala produksi dari masing-masing lokasi.

2. Growth Performance

Pada panel ini, saya memvisualisasikan perkembangan Average Body Weight (ABW) sepanjang siklus budidaya berdasarkan DOC (Day of Culture).

Grafik ini juga dilengkapi trend line untuk membantu melihat pola pertumbuhan apakah sesuai dengan target atau tidak. Selain itu, indikator PDG (Period Daily Growth) memberikan gambaran kecepatan pertumbuhan harian organisme budidaya.

Dengan visualisasi ini, pengguna dapat dengan cepat mendeteksi jika terjadi perlambatan pertumbuhan yang mungkin disebabkan oleh manajemen pakan atau kondisi lingkungan.

3. Water Quality Monitoring

Kualitas air merupakan faktor kritis dalam keberhasilan budidaya. Oleh karena itu dashboard ini juga memonitor beberapa parameter penting seperti:

• Temperatur
• Salinitas
• pH
• Alkalinity
• Ammonia

Melalui visualisasi tren parameter kualitas air, operator tambak dapat melihat perubahan kondisi lingkungan secara cepat dan mengambil tindakan sebelum berdampak pada kesehatan organisme budidaya.

4. Harvest Performance

Bagian terakhir menampilkan performa produksi berdasarkan beberapa indikator utama seperti:

• ADG (Average Daily Growth)
• FCR (Feed Conversion Ratio)
• Productivity
• Survival Rate

Analisis ini membantu mengevaluasi efisiensi produksi serta membandingkan performa antar customer atau lokasi budidaya.

Nilai yang Dihasilkan dari Dashboard

Dengan mengintegrasikan berbagai indikator budidaya dalam satu dashboard interaktif, pengguna dapat:

• Memantau kondisi budidaya secara real-time
• Mengidentifikasi anomali pertumbuhan lebih cepat
• Mengevaluasi efisiensi pakan dan produktivitas
• Mendukung pengambilan keputusan berbasis data

Bagi saya sebagai seorang Data Analyst, proyek ini menunjukkan bagaimana data yang awalnya berupa angka dan tabel dapat diubah menjadi insight yang bermakna melalui visualisasi data. Dashboard bukan hanya sekadar grafik, tetapi sebuah alat yang membantu organisasi memahami kondisi operasional mereka dengan lebih baik.

Penutup

Melalui proyek ini, saya belajar bahwa kekuatan utama dari data analytics bukan hanya pada teknik analisisnya, tetapi pada bagaimana data dapat diterjemahkan menjadi informasi yang mudah dipahami oleh pengguna bisnis.

Dengan pendekatan visualisasi menggunakan Tableau, dashboard ini diharapkan dapat membantu meningkatkan efisiensi operasional serta mendukung pengambilan keputusan yang lebih cepat dan tepat dalam kegiatan budidaya.

Sosialisasi CPP Shrimp Hatchery Dashboard 

Dalam upaya memperkuat pengelolaan data dan pengambilan keputusan berbasis fakta di lini pembenihan udang, telah dilaksanakan agenda Sosialisasi CPP Shrimp Hatchery Dashboard pada 26 November 2025 dan 10 Desember 2025. Kegiatan ini diselenggarakan secara daring dan diikuti oleh seluruh tim Head of Hatchery Nasional.

Sosialisasi ini bertujuan untuk menyamakan pemahaman terkait pemanfaatan dashboard sebagai alat monitoring terintegrasi, sekaligus meningkatkan visibilitas performa hatchery dari hulu hingga hilir. Dashboard dirancang untuk mendukung evaluasi kinerja, deteksi dini potensi risiko, serta konsistensi standar operasional di seluruh unit.

CPP Shrimp Hatchery Dashboard

Machine Learning menjadi salah satu topik yang paling banyak dibahas saat ini. Perkembangannya didorong oleh kemajuan teknologi dan arus digitalisasi yang sangat masif, terutama dalam bidang Artificial Intelligence (AI).

Dalam ekosistem AI, Machine Learning berperan penting sebagai komponen yang memungkinkan sistem untuk belajar dari data. Secara umum, proses pembelajaran ini terbagi menjadi tiga kategori utama: supervised learning, unsupervised learning, dan reinforcement learning.

Penerapan Machine Learning kini telah merambah berbagai sektor untuk meningkatkan efisiensi dan produktivitas. Industri besar, misalnya, banyak memanfaatkan supervised learning untuk menganalisis segmentasi pasar, memprediksi penjualan, mengoptimalkan rantai pasok, dan berbagai kebutuhan strategis lainnya.

Machine Learning dalam Akuakultur

Dalam dunia akuakultur, penerapan Machine Learning berkembang sangat cepat. Beragam studi dan industri mulai memanfaatkannya untuk meningkatkan performa budidaya, antara lain:

• Analisis dan deteksi pola kualitas air
• Prediksi pertumbuhan udang
• Estimasi panjang dan bobot benur melalui foto
• Estimasi ukuran hepatopankreas udang berbasis citra
• Deteksi penyakit sejak dini
• Optimasi pakan dan manajemen kolam berbasis data

Semua aplikasi tersebut memiliki satu fondasi utama yaitu data.

Data yang digunakan dalam Machine Learning harus valid, lengkap, dan sesuai format. Kualitas data menentukan kualitas model yang dihasilkan. Prinsip dasarnya sederhana:

• Data yang benar → kesimpulan yang benar

• Data yang salah → kesimpulan yang keliru

Karena itu, proses pengumpulan, pembersihan, dan verifikasi data menjadi tahapan yang tidak bisa diabaikan dalam setiap analisis Machine Learning—terlebih dalam akuakultur yang sangat dipengaruhi dinamika lingkungan.

Data Imputasi

Dalam proses data collection akuakultur, keberadaan data NaN (Not a Number) atau data kosong merupakan masalah yang sangat sering dijumpai. 

Ketidakhadiran data ini dapat mengganggu proses analisis statistik maupun model Machine Learning yang membutuhkan data lengkap dan konsisten. Karena itu, langkah penting yang harus dilakukan sebelum analisis lanjut adalah data imputasi.

Data imputasi adalah proses mengisi nilai yang hilang (missing values) menggunakan estimasi yang didasarkan pada pola atau tren dari data lain yang tersedia. 

Tujuannya adalah menjaga integritas dataset sehingga analisis dapat berjalan tanpa bias yang disebabkan oleh kekosongan data.

Ada beberapa metode imputasi yang sering digunakan, di antaranya:

• Mean Imputation – mengisi nilai kosong dengan nilai rata-rata kolom
• Median Imputation – mengisi dengan nilai median
• Mode Imputation – mengisi dengan nilai yang paling sering muncul
• Iterative Imputer – metode yang lebih kompleks, mengestimasi nilai hilang dengan memodelkan hubungan antar variabel

Metode yang dipilih biasanya bergantung pada karakteristik data dan tujuan analisis.

Data Imputasi

Dalam kasus ini, saya menggunakan JupyterLab (Python) untuk melakukan proses imputasi dengan metode SimpleImputer strategy="mean".

Nilai-nilai yang hilang kemudian diestimasi sehingga menjadi bernilai 0, namun tetap mempertahankan distribusi dan pola umum dataset. 

Dengan demikian, hasil akhir dataset menjadi lebih realistis, bersih, dan siap dipakai tanpa mengganggu pola atau tren sebelumnya.

Proses ini penting untuk memastikan bahwa model Machine Learning yang digunakan nantinya mendapatkan input yang valid dan representatif, sehingga hasil prediksi lebih akurat dan dapat diandalkan.

Feature Importance

Akuakultur adalah sistem yang kompleks dan dipengaruhi oleh berbagai faktor, mulai dari kualitas air, kondisi mikrobiologi (termasuk bakteri dan virus), hingga faktor genetik. 

Keragaman faktor ini seringkali membuat kita kesulitan menentukan variabel mana yang paling berpengaruh terhadap performa budidaya.

Untuk menjawab tantangan tersebut, konsep Feature Importance menjadi sangat penting. Feature Importance merupakan salah satu output dari algoritma Machine Learning yang membantu mengukur tingkat pengaruh setiap variabel terhadap hasil prediksi model.

Feature Importance dalam Random Forest

Pada algoritma Random Forest, Feature Importance umumnya dihitung menggunakan dua pendekatan utama:

Gini Importance (Mean Decrease in Impurity – MDI)

Metode ini mengukur seberapa besar penurunan impurity (ketidakmurnian) saat sebuah fitur digunakan untuk melakukan split pada decision tree.

Semakin sering dan semakin besar pengurangan impurity yang dihasilkan oleh suatu fitur, semakin tinggi nilai importance-nya. 

Sederhananya: Fitur yang banyak membantu model membuat keputusan dengan “lebih bersih” dianggap lebih penting.

Permutation Importance

Pada metode ini, nilai suatu fitur diacak (shuffled) tanpa mengubah fitur lainnya. Model kemudian dijalankan ulang untuk melihat penurunan performa (misalnya akurasi atau R²).

Jika performa model turun drastis, maka fitur tersebut sangat penting. Jika performa tetap stabil, fitur tersebut kurang berpengaruh.

Metode ini dianggap lebih intuitif karena mengevaluasi pentingnya fitur berdasarkan dampaknya terhadap prediksi akhir.

Feature Importance (Aplikasi Random Forest)

Dalam analisis ini, saya menggunakan JupyterLab (Python) untuk menghitung Feature Importance menggunakan algoritma Random Forest. 

Hasilnya kemudian divisualisasikan dalam bentuk grafik sehingga lebih mudah dipahami.

Pada grafik tersebut, semakin tinggi nilai Importance (%), semakin besar pengaruh variabel tersebut terhadap performa akuakultur.

Visualisasi ini membantu menentukan variabel mana yang perlu diprioritaskan dalam manajemen budidaya.

Analisis Risk Zone

Analisis Risk Zone bertujuan untuk mengidentifikasi rentang nilai parameter yang meningkatkan probabilitas terjadinya Low Productivity dengan tingkat probabilitas ≥60% dan ≥80%.

Analisis ini dilakukan menggunakan pendekatan Machine Learning, yaitu Random Forest Classifier yang dikombinasikan dengan metode Accumulated Local Effects (ALE) untuk menjelaskan pengaruh masing-masing parameter terhadap probabilitas produktivitas tambak.

Random Forest digunakan untuk membangun model klasifikasi antara tambak dengan produktivitas rendah dan produktivitas tinggi, sedangkan ALE digunakan untuk mengidentifikasi rentang nilai parameter yang meningkatkan risiko terjadinya Low Productivity berdasarkan prediksi model.

Sebelum melakukan analisis zona berbahaya, kita perlu untuk menentukan productivity class sebagai grup faktor. Productivity class ditentukan berdasarkan distribus data yaitu : Low Productivity (< Q1 : < 25%) dan High Productivity (>Q3 : >75%).

Berdasarkan hasil klasifikasi, ditentukan nilai Quartil 1 (Q1) yaitu 5 kg/m², Quartil 2 (Median) yaitu 7 kg/m² dan Quartil 3 (Q3) yaitu 11 kg/m².

Data yang berada pada rentang Q1–Q3 tidak digunakan dalam model klasifikasi untuk meningkatkan kontras antara kelompok produktivitas rendah dan tinggi sehingga model machine learning dapat mengidentifikasi pola dengan lebih jelas.

Random Forest Classifier dan Accumulated Local Effects (ALE)

Model Random Forest Classifier digunakan untuk mempelajari hubungan antara parameter budidaya (seperti kepadatan tebar, kualitas air, dan faktor lingkungan) dengan kelas produktivitas tambak. Model ini menghasilkan probabilitas terjadinya Low Productivity pada berbagai kombinasi parameter.

Selanjutnya metode Accumulated Local Effects (ALE) digunakan untuk menganalisis pengaruh lokal setiap parameter terhadap probabilitas Low Productivity. ALE memungkinkan identifikasi rentang nilai parameter yang meningkatkan probabilitas risiko berdasarkan distribusi data aktual. Melalui kombinasi metode ini, dapat ditentukan:

• High Risk Zone (≥60%) → rentang parameter yang meningkatkan probabilitas Low Productivity ≥60%

• Critical Risk Zone (≥80%) → rentang parameter dengan probabilitas Low Productivity ≥80%

Zona ini kemudian digunakan sebagai indikator batas operasional parameter budidaya yang berpotensi menurunkan produktivitas tambak.

Model Prediksi & AI Advisor

Dalam praktik akuakultur modern, tantangan terbesar bukan hanya bagaimana membesarkan udang, tetapi bagaimana mengantisipasi risiko sebelum masalah benar-benar terjadi. Di sinilah peran machine learning mulai terasa relevansinya.

Melalui tools yang saya kembangkan, yaitu PL Performance Prediction, pendekatan berbasis data digunakan untuk membaca kondisi biologis dan lingkungan secara lebih komprehensif. Tools ini dirancang untuk membantu memperkirakan bagaimana performa post larvae (PL) akan berkembang, sekaligus mendeteksi potensi risiko dari bakteri seperti Vibrio.

Alih-alih hanya mengandalkan observasi manual, sistem ini memanfaatkan parameter yang sebenarnya sudah sangat familiar di lapangan, seperti tahap PL, tingkat kelangsungan hidup awal (SR), serta kepadatan bakteri dalam air (TVC dan GVC). Dari kombinasi data tersebut, model kemudian “belajar” mengenali pola—misalnya, bagaimana peningkatan beban bakteri dapat berdampak pada penurunan survival atau menghambat pertumbuhan.

Hasilnya bukan sekadar angka. Tools ini mampu memberikan gambaran yang lebih utuh: mulai dari prediksi panjang akhir PL, estimasi bobot rata-rata (MBW), hingga kemungkinan survival rate di fase berikutnya. Bahkan, sistem juga memberikan estimasi durasi pemeliharaan (DOC) yang dibutuhkan untuk mencapai target tertentu. Visualisasi grafik yang ditampilkan membantu pengguna melihat tren pertumbuhan dan potensi penurunan performa secara lebih intuitif.

Yang menarik, pendekatan ini tidak berhenti pada prediksi pertumbuhan saja. Salah satu fitur penting dalam tools ini adalah kemampuan untuk membaca tingkat stres biologis melalui indikator yang disebut Stress Index. Nilai ini memberikan sinyal sederhana namun powerful—semakin tinggi nilainya, semakin besar tekanan yang dialami oleh PL. Dalam banyak kasus, kondisi ini berkaitan erat dengan tingginya populasi bakteri, terutama Vibrio yang bersifat patogen.

Di sinilah konsep menjadi semakin menarik: data yang awalnya terlihat terpisah—seperti SR, TVC, dan GVC—mulai terhubung menjadi satu cerita. Ketika beban bakteri meningkat, model secara otomatis menangkap potensi dampaknya terhadap survival dan pertumbuhan. Dengan kata lain, sistem tidak hanya melihat apa yang terjadi, tetapi juga mencoba memahami mengapa itu terjadi.

Untuk menjembatani hasil analisis dengan kebutuhan praktis di lapangan, tools ini dilengkapi dengan fitur AI Advisor. Fitur ini berperan sebagai “asisten digital” yang menerjemahkan hasil prediksi menjadi insight yang lebih mudah dipahami. Bukan hanya memberi tahu bahwa kondisi sedang tidak ideal, tetapi juga menjelaskan faktor penyebabnya—misalnya, tingginya GVC yang berkontribusi terhadap penurunan SR.

Lebih dari itu, AI Advisor juga memberikan rekomendasi tindakan yang bisa langsung diterapkan. Mulai dari saran pengelolaan kualitas air, pengurangan beban organik, hingga perlunya monitoring lebih intensif dalam 24–48 jam ke depan. Pendekatan ini membuat sistem tidak hanya bersifat analitis, tetapi juga solutif dan preventif.

Dengan integrasi antara model prediksi dan AI Advisor, tools ini pada dasarnya mengubah cara kita melihat data dalam akuakultur. Data tidak lagi hanya menjadi catatan, tetapi menjadi dasar pengambilan keputusan. Dari yang sebelumnya reaktif—menangani masalah setelah terjadi—menjadi lebih proaktif dengan mendeteksi risiko sejak dini.

Pada akhirnya, inilah arah perkembangan akuakultur ke depan: lebih presisi, berbasis data, dan didukung oleh kecerdasan buatan. Teknologi seperti ini bukan untuk menggantikan pengalaman di lapangan, tetapi untuk memperkuatnya—memberikan sudut pandang tambahan yang mungkin tidak selalu terlihat secara kasat mata.

Dan mungkin, dari sinilah kita mulai bergerak menuju sistem budidaya yang tidak hanya produktif, tetapi juga lebih stabil dan berkelanjutan.

📝 Catatan Penting

Data yang digunakan pada contoh ini merupakan data simulasi hasil generate, sehingga tidak mencerminkan kondisi lapangan secara nyata. Analisis ini hanya bertujuan memberikan gambaran teknis mengenai cara kerja Analisis dan Machine Learning.

PT Central Proteina Prima Tbk (CP Prima) telah berdiri di Indonesia sejak 30 April 1980, dengan visi menjadi perusahaan akuakultur terbesar dan terdepan di dunia.

Sebagai salah satu pionir dalam industri akuakultur nasional, CP Prima telah mengembangkan bisnis yang luas — mulai dari produksi pakan udang, pakan ikan, pakan ternak, pakan hewan peliharaan, produk olahan, ekspor hasil perikanan, hingga produksi benur (hatchery) untuk udang dan ikan.

Awal Bergabung

Saya pertama kali bergabung di CP Prima pada 18 Agustus 2025 sebagai Data Analyst Shrimp Hatchery.

Peran utama saya adalah melakukan analisis data dan reporting untuk mendukung pengambilan keputusan yang berbasis data.

Tugas pertama saya adalah mempelajari struktur data hatchery dan melakukan aktivitas lapangan. Tahapan ini menjadi dasar penting sebelum melakukan analisis data yang lebih mendalam.

A. Kunjungan Lapangan

Pada minggu-minggu awal, saya melakukan kunjungan ke lapangan untuk memahami proses produksi benur secara langsung — mulai dari tahap persiapan, penanganan induk, pemijahan, pemeliharaan larva, hingga proses panen.

Proses pengamatan ini memberi saya basic knowledge tentang alur kerja produksi hatchery.

Selain observasi, saya juga melakukan diskusi dengan tim produksi dan laboratorium untuk memahami parameter-parameter penting yang memengaruhi performa produksi, seperti kualitas air, kesehatan larva, dan manajemen induk.

B. Digitalisasi dan Visualisasi Data

Setelah memahami struktur data dan proses produksi, saya mulai mengembangkan sistem pelaporan digital berbentuk dashboard menggunakan Google Looker Studio (Baca juga: Looker Studio: Dashboard Budidaya).

Dashboard ini mengintegrasikan beberapa sumber data utama:

• Data produksi (naupli dan benur)
• Data laboratorium (quality control, kesehatan, kualitas air, dan parameter lainnya)
• Data performa tambak

Dengan sistem ini, seluruh tim dapat melakukan analisis dan monitoring secara real-time, sehingga pengambilan keputusan menjadi lebih cepat dan berbasis data aktual.

Pada 26 November 2025 dan 10 Desember 2025, kami telah melaunching dan mensosialisasikan CPP Shrimp Hatchery Dashboard kepada seluruh tim Head of Hatchery yang meliputi bidang produksi, operasional dan supporting (Baca juga : Shrimp Hatchery Dashboard).

C. Meeting Nasional Shrimp Hatchery CP Prima

Pada 30 September – 2 Oktober 2025, saya berkesempatan menghadiri Meeting Nasional CP Prima Shrimp Hatchery yang diselenggarakan di Hotel Alana, Yogyakarta.

Acara ini membahas berbagai topik strategis — mulai dari progres produksi nasional, quality control, R&D dan improvement, HR, engineering, finance, hingga analisis data.

Pada sesi Data Analyst, saya berkesempatan untuk mempresentasikan sistem reporting digital yang telah kami kembangkan.

Kegiatan Outbond CP Prima Shrimp Hatchery

Sesi ini menjadi momen penting bagi saya untuk berbagi hasil kerja sekaligus mendapatkan masukan langsung dari para pimpinan dan rekan dari berbagai wilayah.

D. Personal Training

Dalam rangka meningkatkan kompetensi, khususnya soft skill yang mendukung peran saya sebagai Data Analyst dan Performance Analyst, saya secara aktif mengikuti berbagai program pelatihan yang diselenggarakan baik oleh pihak internal perusahaan maupun lembaga eksternal profesional.

Internal Training CP Prima

Salah satu pelatihan internal yang saya ikuti adalah Training Problem Solving & Decision Making Using PDCA & QC Tools yang diselenggarakan pada 10–11 Februari 2026 di Jakarta Selatan. Pelatihan ini berfokus pada penguatan kemampuan analisis masalah secara sistematis serta pengambilan keputusan berbasis data menggunakan pendekatan PDCA (Plan–Do–Check–Action) dan berbagai QC Tools.

Selain itu, saya juga mengikuti pelatihan dari lembaga eksternal yang memiliki sertifikasi profesional di bidang data analytics, guna memperdalam keterampilan teknis dalam pengolahan, analisis, dan interpretasi data.

E. Analisis Data dan Reporting

Penutup

Pengalaman awal saya di CP Prima menjadi perjalanan yang sangat berharga. Dari kegiatan lapangan hingga pengembangan dashboard digital, saya belajar bahwa transformasi data bukan sekadar angka, tetapi juga alat untuk meningkatkan efisiensi, kualitas, dan produktivitas hatchery.

Saya percaya, dengan kolaborasi dan inovasi digital, CP Prima akan terus melangkah menuju visinya sebagai perusahaan akuakultur terbesar dan terdepan di dunia.

Looker Studio merupakan platform gratis dari Google untuk membuat dashboard interaktif dan laporan visual dari berbagai sumber data. Cocok untuk analisis data bisnis, performa kampanye, hingga monitoring data IoT atau budidaya.

Pada artikel kali ini saya mencoba memvisualisasikan data dengan looker studio dalam bentuk dashboard dengan beberapa sumber data.

Populasi & CO₂ Emissions Dunia

Data terdiri dari dua bagian yaitu data populasi penduduk dan total emisi karbon dunia (sumber : ourworldindata.org).

Saya menggunakan looker studio dengan sumber data berasal dari google spreadsheets.

Dashboard Populasi & CO₂ Emissions

Pada bagian pertama Dashboard menampilkan peta sebaran populasi berdasarkan warna, semakin hijau gelap maka jumlah populasi penduduk semakin tinggi.

Terlihat pada tahun 2023, China dan India mendominasi dengan jumlah penduduk masing-masing mencapai 1,44 M dan 1,42 M. Kemudian disusul oleh USA, Indonesia, Pakistan, Nigeria, Brazil, Banglades, Rusia dan lain-lain.

Pada bagian kedua Dashboard menampilkan CO₂ emissions (line) meningkat per tahun seiring dengan pertambahan jumlah populasi (bar).

Pada bagian ketiga Dashboard menampilkan peta sebaran CO₂ emissions berdasarkan warna, semakin merah maka jumlah CO₂ emissions semakin tinggi.

Terlihat pada tahun 2023, China menyumbang total CO₂ emissions terbanyak, kemudian disusul oleh USA, India, Rusia, Jepang dan lain-lain.

Walaupun secara total tertinggi (posisi 1), China menempati urutan ke-30 dalam CO₂ emissions per kapita. Hal ini berarti rata-rata penduduk China menyumbang 8,37 MT CO₂‑eq per kapita.

Qatar menempati urutan pertama dengan jumlah 38,84  MT CO₂‑eq per kapita, kemudian disusul oleh Brunei, Bahrain, dan lain-lain.

Hal ini masih tergolong jauh lebih tinggi dari rata-rata global yaitu ~4,8 CO₂‑eq per kapit (The Global Economy).

One Way Anova & Uji Lanjut

Pada sebuah studi eksperimental dari data PlantGrowth, kita memiliki 3 kelompok percobaan dengan 10 ulangan, yaitu :

• Control (ctrl): Tidak diberikan perlakuan khusus.
• Treatment 1 (trt1): Diberikan perlakuan A.
• Treatment 2 (trt2): Diberikan perlakuan B.

Fokus analisis ini adalah untuk mengetahui apakah terdapat perbedaan yang signifikan dalam rata-rata berat antar kelompok perlakuan.

One Way Anova & Uji Lanjut (Tukey-HSD)   Uji Anova digunakan untuk mengetahui apakah terdapat perbedaan rata-rata antar kelompok perlakuan. Hasil analisis Anova menunjukkan bahwa kelompok perlakuan memberikan pengaruh yang signifikan (p-value < 0.05) terhadap pertumbuhan tanaman.  Anova tidak menunjukkan pasangan mana yang berbeda. Maka dari itu kita lanjutkan dengan uji post-hoc. Uji Tukey HSD (Honest Significant Difference) digunakan untuk mengidentifikasi pasangan kelompok mana yang berbeda secara signifikan. Trt2 memberikan hasil pertumbuhan tertinggi dengan menunjukkan nilai yang signifikan dengan Trt1, namun tidak signifikan dengan Ctrl. Kemudian Ctrl menunjukkan nilai yang tidak signifikan dengan Trt1. Download : Notebook & Data