Fondasi Data & Tools | Irpan Chumaedi

Filosofi: Pengguna vs. Pembuat Kode

Sun, 17 May 2026 00:00:00 +0000

Artikel ini adalah bagian dari seri Fondasi Data & Tools — kurikulum informal tentang bagaimana seorang hydrologist menggunakan data dan teknologi secara praktis dan efisien.

Saya bukan orang jenius. Saya tidak punya kemampuan menyerap semua ilmu dalam semalam. Tapi saya punya satu hal: rasa penasaran yang kuat — bahwa pekerjaan yang berulang-ulang ini pasti bisa dikerjakan lebih cepat dan lebih rapi.

Dan perjalanan menuju jawaban itu ternyata tidak semulus yang saya kira.

Perjalanan Panjang: Dari Frustrasi ke Penemuan

💡

Titik Awal

Rasa Penasaran yang Menyala

Proyek demi proyek dikerjakan, dan saya sadar: metode kerjanya hampir selalu sama — hanya inputnya yang berbeda. Ada feeling kuat bahwa ini harusnya bisa lebih cepat dan lebih efisien. Pasti ada caranya.

🔬

Penemuan

RMarkdown: Cinta Pertama

Akhirnya saya menemukan RMarkdown. Bahasa pemrograman yang sederhana, visual yang menarik, dan yang paling ajaib: dokumen yang reproducible — ubah input, semua teks, gambar, dan tabel otomatis ikut berubah. Ini dia!

🔥

Realita

Error, Googling, Stack Overflow

Tapi belajar tidak semudah itu. Program error hampir setiap hari. Google dan Stack Overflow jadi teman setia. Waktu habis bukan untuk menyelesaikan laporan, tapi untuk debugging kode — jauh dari tujuan awal.

💤

Vakum

Menyerah (Sementara)

Akhirnya saya berhenti. Cukup lama. Karena jujur, sangat sulit membuat dokumen persis seperti yang diinginkan. Website ini pun ikut tidur panjang.

✨

2026 — Titik Balik

AI Mengubah Segalanya

Tahun ini saya mencoba lagi — kali ini dengan AI. Ketika ada error, lempar ke AI. Ia menemukan solusinya. Ketika ada ide, diskusikan dengan AI. Ritme kerja yang dulu terputus kini kembali mengalir.

🚀

Sekarang

Website Ini Kembali Hidup

Dan yang lebih penting: saya akhirnya paham. Bukan tentang cara membuat kode yang sempurna — tapi tentang bagaimana fokus pada pekerjaan yang memang jadi tanggung jawab saya.

Analogi yang Mengubah Perspektif Saya

🧱 Analogi Tukang Bangunan

🔬

❌ Bukan tugas saya

Pembuat Batu Bata

🧪 Meneliti komposisi tanah liat

🏭 Mencari formula bata sempurna

⏳ Habiskan waktu di dapur produksi

📚 Sibuk di luar keahlian inti

🏗️

✅ Inilah tugas saya

Tukang Bangunan

📐 Pilih bata yang kuat & tepat ukuran

🔧 Memasang bata dengan presisi

✂️ Memotong di tempat yang tepat

🏠 Fokus membangun rumah yang kokoh

Dalam konteks pemrograman — saya tidak perlu tahu detail cara membuat kode dari nol. Yang saya butuhkan adalah implementasinya: hasil yang bisa saya gunakan, evaluasi, dan kembangkan. Itulah tugas utama saya sebagai seorang engineer.

Keinginan vs. Kewajiban: Dua Hal yang Berbeda

Saya sadar bahwa selama ini ada dua hal yang tertukar.

🌟

Keinginan

Menguasai kode dari dalam, menjadi "programmer" sekaligus engineer

📋

Kewajiban

Menyelesaikan laporan teknis berkualitas, tepat waktu, dengan analisis yang akurat

Keduanya tidak salah. Tapi ketika keinginan terus menggeser kewajiban, ada masalah. Dan saya pernah terjebak di sana cukup lama.

Pesan untuk Kamu yang Membaca Ini

💬

Tiga hal yang ingin saya sampaikan:

🎯 Kenali tugas utamamu. Apa yang sebenarnya menjadi tanggung jawabmu? Fokus di sana dulu sebelum mengeksplorasi yang lain.

🤝 Delegasikan dengan cerdas. Bisa ke orang lain, bisa ke AI. Kamu tidak harus membuat segalanya dari nol.

🔍 Evaluasi hasilnya, bukan prosesnya. Yang penting bisa dipahami, dipertanggungjawabkan, dan dikembangkan.

Dunia engineering sudah cukup kompleks. Jangan tambah beban dengan mewajibkan diri menguasai semua hal sendirian.

Penutup: Mengapa Website Ini Kembali Hidup

Saya menulis seri ini bukan karena saya sudah ahli. Saya menulis karena saya sudah pernah tersesat, dan saya ingin berbagi apa yang akhirnya berhasil.

Kalau kamu seorang engineer, surveyor, analis, atau siapapun yang sehari-harinya bergulat dengan data teknis — seri Fondasi Data & Tools ini untuk kamu.

Kita tidak belajar jadi programmer. Kita belajar bagaimana alat bekerja untuk kita, bukan sebaliknya.

→

Artikel Berikutnya dalam Seri Ini

Mengenal R & RMarkdown: Instalasi dan Proyek Pertama

Punya pengalaman serupa? Atau pertanyaan tentang workflow yang saya gunakan? Tinggalkan komentar di bawah — saya senang berdiskusi. 👋

Mengenal R & RMarkdown: Instalasi dan Proyek Pertama

Sun, 17 May 2026 00:00:00 +0000

Artikel ini adalah bagian dari seri Fondasi Data & Tools. Sebelum membaca ini, pastikan sudah membaca Filosofi: Pengguna vs. Pembuat Kode.

Bayangkan kamu baru saja selesai mengumpulkan data curah hujan 25 tahun dari BMKG. Analisis frekuensi harus dikerjakan: hitung statistik, fit distribusi, uji KS, uji chi-kuadrat, buat kurva IDF. Lalu semua hasilnya harus masuk ke laporan Word yang rapi.

Tiba-tiba bos bilang: “Mas, data hujan yang kemarin kejauhan. ambil data ini ya, lokasi nya lebih dekat soalnya”

‘Waduh, ngulang dari awal lagi dong–'

Hal ini sering saya alami dan dengan berat hati harus dikerjakan lagi dari awal. Memang sudah ada template excel dan word nya. Tapi menghabiskan waktu, belum lagi kita harus teliti jangan sampai ada kata “Papua” di proyek “Banjarmasin”, malu banget.

Contoh kasus lainnya adalah ketika kita mengerjakan proses yang sama, tapi lokasinya saja yang berbeda. Data memang pasti berbeda juga, tapi proses analisis persis sama tok.

Untuk mengerjakan ulang dengan cara biasa mungkin bisa menghabiskan 2-4 jam per stasiun, per proyek. tapi dengan cara yang akan kita pelajari hari ini tinggal klik satu tombol, laporan bisa jadi dalam 30 detik.

Apa Itu R?

R adalah bahasa pemrograman yang dirancang khusus untuk analisis statistik dan visualisasi data. Tapi jangan langsung takut dengan kata “pemrograman” — seperti yang sudah dibahas di artikel sebelumnya, kita tidak perlu menjadi programmer. Kita cukup menjadi pengguna yang cerdas.

R

Gratis & Open Source

Tidak perlu lisensi. Ribuan paket tersedia di CRAN.

📊

Visualisasi Kelas Atas

ggplot2 menghasilkan plot publikasi-siap dengan sedikit kode.

∞

Reproducible

Ganti input → semua output diperbarui otomatis. Tidak ada copy-paste.

Apa Itu RMarkdown?

RMarkdown adalah format file (.Rmd) yang menggabungkan tiga hal dalam satu dokumen:

① YAML Header

---
title: "Analisis"
output:
  word_document
---

Konfigurasi dokumen: judul, format output, parameter.

② Teks Markdown

# Bab 1
Analisis dilakukan
di stasiun **BMKG**
periode 2000–2026.

Narasi laporan dalam format teks sederhana.

③ Code Chunk R

```{r}
x_bar <- mean(hujan)
plot(cdf_gumbel)
flextable(df_hasil)
```

Kode analisis, tabel, dan grafik — semua otomatis.

Ketika kamu klik Knit, RStudio menjalankan semua kode R, menghasilkan grafik, menghitung angka, lalu menyusunnya menjadi dokumen Word (atau PDF, atau HTML) secara otomatis.

Perbandingan: Manual vs RMarkdown

Gambar di bawah ini menunjukkan perbedaan nyata dalam alur kerja:

Satu kata: reproducible. Ketika data berubah, kamu tidak perlu mengulang semua langkah. Cukup update file Excel, klik Knit, laporan diperbarui dalam hitungan detik.

Instalasi: R + RStudio

Kamu hanya butuh dua software ini. Keduanya gratis.

Install R

Download dari cran.r-project.org → pilih Download R for Windows atau sistem operasi yang kamu pakai → jalankan installer, klik Next terus sampai selesai.

Install RStudio

Download RStudio dari posit untuk windows atau mac → install. RStudio adalah antarmuka visual untuk bekerja dengan R.

Install Paket yang Dibutuhkan

Buka RStudio → di panel Console (bawah kiri), ketik dan tekan Enter:

install.packages(c("rmarkdown", "readxl", "ggplot2",
                   "dplyr", "tidyr", "flextable", "scales"))

Tunggu beberapa menit hingga semua paket terinstal.

Verifikasi Instalasi

Di Console, ketik:

library(ggplot2)
ggplot(data.frame(x=1:10, y=rnorm(10)), aes(x,y)) + geom_point()

Jika muncul grafik di panel kanan bawah, instalasi berhasil.

Proyek Pertama: Analisis Frekuensi Curah Hujan

Ini bagian yang menarik. Kita tidak akan mulai dari nol — saya sudah siapkan template lengkap yang bisa langsung dipakai.

Cara Kerjanya

Template ini membaca data dari Excel, menjalankan seluruh analisis secara otomatis, lalu menghasilkan laporan Word lengkap dengan tabel dan grafik.

Yang Dihasilkan Otomatis

Analisis Distribusi

[v] Tabel data hujan harian maksimum
[v] Plot PDF — 4 distribusi sekaligus
[v] Plot CDF dengan plotting position
[v] Uji Kolmogorov-Smirnov
[v] Uji Chi-Kuadrat
[v] Pemilihan distribusi terbaik otomatis

Curah Hujan Rencana & IDF

[v] CH rencana: T = 2, 5, 10, 25, 50, 100 tahun
[v] Tabel IDF lengkap (5 menit - 24 jam)
[v] Kurva IDF log-log
[v] Rumus Mononobe
[v] Rekapitulasi intensitas t = 60 menit
[v] Semua dalam format Word siap laporan

Cara Menggunakan Template

01

Download & Ekstrak File Template

Simpan ketiga file di satu folder yang sama: Analisis_Frekuensi_TEMPLATE.Rmd, Data_Input_Frekuensi.xlsx, dan reference_template.docx

02

Isi Data di Excel

Buka Data_Input_Frekuensi.xlsx. Isi sheet Metadata_Proyek (nama proyek, stasiun, kala ulang) dan sheet Data_Hujan (kolom Tahun dan Hujan Maks mm). Simpan file.

03

Buka File .Rmd di RStudio

Double-click file .Rmd → terbuka di RStudio. Kamu akan melihat kode di bagian DATA_INPUT — tidak perlu diubah jika file Excel ada di folder yang sama.

04

Klik Tombol Knit

Di RStudio, klik tombol [ Knit ] (ikon benang + jarum di toolbar, atau tekan Ctrl + Shift + K). Tunggu 10–30 detik. File Word akan terbuka otomatis.

05

Proyek Berikutnya? Tinggal Ganti Data

Salin folder ke direktori proyek baru. Buka Excel, ganti data hujan dan metadata. Klik Knit. Laporan baru siap — tanpa mengubah satu baris kode pun.

Anatomi Template: Bagian yang Perlu Diketahui

Kamu tidak perlu memahami semua kode. Tapi ada tiga bagian penting yang perlu diketahui:

Analisis_Frekuensi_TEMPLATE.Rmd

① YAML — Konfigurasi Output

---

title: "Analisis Frekuensi Curah Hujan Harian Maksimum"

params:

  path_excel: "Data_Input_Frekuensi.xlsx" # ← path ke file Excel

output:

  word_document:

    reference_docx: reference_template.docx

---

Hanya ubah path_excel jika file Excel tidak berada di folder yang sama.

② DATA_INPUT — Satu-satunya blok yang perlu dipahami

```{r DATA_INPUT}

# !! HANYA EDIT BAGIAN INI UNTUK SETIAP PROYEK BARU !!

path_excel <- params$path_excel

T_values_default <- c(2, 5, 10, 25, 50, 100)

```

Kala ulang bisa diatur dari Excel (sheet Metadata_Proyek). Blok ini hanya fallback.

③ ANALISIS — Jangan diubah

```{r ANALISIS, include=FALSE}

# Statistik dasar, fit 4 distribusi, uji KS & Chi-kuadrat,

# pemilihan otomatis, hitung IDF Mononobe — semua di sini.

# Tidak perlu diubah.

```

Semua matematika ada di sini — Normal, Log-Normal, Gumbel, Log-Pearson III. Dihitung otomatis.

Download Template

Paket Template — Analisis Frekuensi Curah Hujan

.Rmd

Analisis_Frekuensi
_TEMPLATE.Rmd

.xlsx

Data_Input
_Frekuensi.xlsx

.docx

reference
_template.docx

Tiga file harus berada dalam satu folder yang sama. Template sudah diuji dengan data BMKG stasiun Bandung, 2000–2026. Distribusi yang didukung: Normal, Log-Normal 2P, Gumbel, Log-Pearson III.

↓ Download Template (ZIP)

Apa Selanjutnya?

Setelah berhasil menjalankan template ini, kamu sudah memiliki fondasi yang kuat. Artikel berikutnya akan membahas cara memodifikasi template untuk kebutuhan proyek yang berbeda — menambah stasiun, mengubah distribusi, atau mengintegrasikan data GPM IMERG.

→

Artikel Sebelumnya

Filosofi: Pengguna vs. Pembuat Kode

→

Segera Hadir

Kustomisasi Template: Adaptasi untuk Berbagai Proyek

Template ini dibuat menggunakan R versi 4.x dengan paket: rmarkdown, readxl, ggplot2, dplyr, tidyr, flextable, scales. Semua perhitungan mengikuti metode standar hidrologi Indonesia. 🌧️