Daftar isi
Daftar Isi ... 1
BAB I PENDAHULUAN... 2
1.1 Latar Belakang ... 2
1.2 Tujuan Dan Manfaat ... 3
BAB II PEMBAHASAN ... 4
2.1 Teori Dan Perkembangan Data Science ... 4
BAB III KASUS DATA SCIENCE ... 15
3.1 Pada Bidang Ekonomi ... 15
BAB IV PENUTUP ... 18
4.1 Kesimpulan ... 18
4.2 Saran ... 18
DAFTAR PUSTAKA ... 19
BAB I PENDAHULUAN 1.1 Latar belakang
Perkembangan teknologi saat ini yang dibarengi dengan revolusi industry 4.0 membawa dampak banyak perubahan dalam memanfaatkan sebuah sumber daya manusia yang ada, dimana disatu sisi hal tersebut akan membawa dampak terhadap sebuah pelayanan dengan teknologi digital, sehingga secara efisiensinya mampu meningkatkan layanan produksi untuk memenuhi sebuah permintaan konsumen terhadap sebuah produk khususnya diberbagai sektor industri yang berkembangan saat ini. Kehadiran revolusi industri 4.0 sangat berpengaruh pada pengelolaan data yang cukup besar, sehingga perusahaan memerlukan informasi dari Big Data yangdatanya diperoleh dari berbagai platform, seiring dengan perkembangan tersebut membuat data mining dan analisa terhadap data akan menjadi fokus utama untuk memberikan sebuah tujuan terhadap arah perusahaan,sehingga kebutuhan terhadap Data Scientist akan menjadi prioritas utama, dimana peran Data Scientist meliputi 3 (tiga) fase yaitu desain data, mengumpulkan data, dan analisis data (Syamsu, 2021).
Metode komputasi akan menjadi faktor utama untuk mengambil data serta melakukan perhitungan yang dapat menganalisis informasi pada data tersebut,maka disnilah peran Data Science dalam pemenuhan kebutuhan suatu perusahaan atau instansi tersebut. Menurut Alec Ross, 2000, mengatakan ; “hanya ada 5 persen data yang tersimpan secara digital, 7 (tujuh) kemudian, angka tersebut meningkat hingga 94%, kini jumlah data digital yang diciptakan setiap tahunnya memilih peningkatan setidaknya 50% per tahun”. Dengan begitu banyaknya data yang terjadi pada industri 4.0 perusahaan perlu melakukan transformasi data atau sebuah perubahan secara berangsur –angsur dengan memberikan sebuah respon terhadap Data Scientis tuntuk berperan sebagai informan.
Artinya, seorang Data Scientist harus dapat memberikan informasi berbasis data yang dapat membantu keputusan bisnis dan meningkatkan efisiensi perusahaan, dan mampu menciptakan teknologi untuk membantu bisnis dan menciptakan algoritma atau teknologi yang dapat meningkatkan efisiensi unstructred data tersebut.Menurut Founder PHI-Integration Feris Thia, dalam perusahaan biasanya terjadi kesenjangan antara TI, data, dan bisnis. Sebagai solusi dari kesenjangan tersebut maka Data Science dapat menjadi alternatif untuk mengatasinya. Dalam hal ini orang yang bekerja sebagai Data
Science di sebut dengan Data Scientist. Hasil analisis dari Data Scientist kemudian di modelkan menggunakan machine learning.
Salah satu aplikasi yang saat ini dapat digunakan untuk machine learning adalah microsoft azure visual studio. Aplikasi ini sudah include dengan bahasa pemograman R yang merupakan bahasa pemrograman dan perangkat lunak untuk analisis statistika dan grafik. Gentleman di Universitas Auckland, SelandiaBaru, dan kini dikembangkan oleh R Development Core Team, di mana Chambers merupakan anggotanya (Ross Ihaka dan Robert, 1993), dan Pyhton sebagai logic untuk output program sehingga menghasilkan insight atau rekomendasi (J Barnes, 2015).
1.2 Tujuan dan Manfaat
1. Untuk mengetahui perkembangan data science.
2. Untuk mengetahui bagaimana data science dibidang ekonomi.
3. Untuk mengetahui bentuk dari data science.
4. Untuk mengetahui manfaat dari data science.
5. Untuk mengetahui bagaimana menjadi teknis data science dengan baik.
BAB II PEMBAHASAN 2.1 Teori dan Perkembangan Data Science
Data science adalah gabungan dari beberapa ilmu seperti ilmu komputer, ilmu statistik, dan ilmu matematika. Data science berawal dari ilmu statistik dan telah berkembang menjadi konsep baru seperti artificial intelligence, machine learning, dan lain sebagainya.
Seseorang yang mempelajari dan menguasai data science disebut data scientist. Semakin berkembangnya teknologi berbanding lurus dengan produksi data yang terus meningkat setiap harinya. Contoh sumber data yang biasa kita temui adalah data perilaku dan tren yang dicatat, dikumpulkan, dan disimpan oleh perusahaan.
Dari berbagai pendapat yang dikumpulkan pada penelitian (De Mauro dkk., 2016) big data didefinisikan sebagai aset informasi yang dicirikan oleh karakteristik 3v, yaitu: volume, velocity dan variety yang tinggi, yang memerlukan metode dan teknologi tertentu untuk memprosesnya menjadi pengetahuan (knowledge) yang bernilai (value) dalam pengambilan keputusan. Aset informasi bermakna penting, karena data dianggap memiliki nilai yang tinggi bagi organisasi seperti aset lain (mesin, material, orang, modal, dan metode) dan dapat divaluasi (dinilai dalam satuan uang).
Mengapa fenomena big data berkembang pesat? Konsep hirarki data–information–
knowledege–wisdom (DIKW) (Rowley, 2007) atau sering disebut sebagai wisdom hierarchy memberikan alasan yang masuk akal mengapa fenomena big data begitu berkembang. Dengan besarnya potensi data yang ada saat ini dan di masa depan, maka besar juga potensi informasi yang tersedia untuk ditransformasi menjadi pengetahuan (knowledge) sehingga dapat mengoptimalkan pengambilan keputusan (wisdom).
Dengan demikian, jika big data dapat ditangani dengan baik akan memberikan manfaat besar bagi organisasi, khususnya semakin bijaksana dalam mengambil keputusan yang didasarkan atas data (bersifat data driven), sehingga lincah dalam mengambil keputusan dalam perubahan kondisi lingkungan yang cepat berubah.
Big data memiliki karakteristik volume yang tinggi, dari terabytes ke zettabytes. Hal ini berkonsekuensi pada kapasitas penyimpanan dan kapasitas pemrosesan data yang tidak dapat ditangani oleh metode dan teknologi informasi konvensional saat ini. Metode dan teknik penyimpanan yang diterapkan hingga saat ini mengarah pada pemrosesan secara
paralel pada lingkungan sistem terdistribusi, baik dari sisi media penyimpanan maupun pemrosesannya.
Karakteristik velocity pada big data mengubah sudut pandang pemrosesan data secara batch, menjadi pemrosesan data secara dinamis. Dengan demikian data tidak lagi dilihat secara statis, namun secara dinamis sebagai stream. Selain sebagai data stream, big data juga berkaitan dengan pergerakan data dalam jumlah besar (high volume movement) seperti data spasial, citra, dan lainnya.
Big data bersumber dari berbagai event. Semua kegiatan kita yang menggunakan komputer, gadget, sensor dan peralatan lainnya (IoT) menghasilkan big data. Selain sumber yang beraneka ragam, dari sisi struktur juga beraneka ragam, mulai dari yang terstruktur, seperti: data transaksi (pasar uang, e-commerce, dll), semi terstruktur, maupun yang tidak terstruktur, seperti: image, text opini pada media sosial maupun halaman web di internet.
Untuk itu diperlukan metode dan teknologi untuk mengintegrasikan big data dari berbagai sumber dan dari format yang berbeda-beda tersebut.
Apa masalah utama dari big data? Masalah utama big data dikenal dengan istilah fenomena data deluge, suatu fenomena dimana laju pertumbuhan data lebih tinggi dari pada laju kemampuan memproses dan menganalisis data suatu organisasi. Oleh karena itu dalam memproses dan menganalisis data, kita memerlukan teknologi yang tidak konvensional lagi.
Kita memerlukan teknologi yang dapat mengimbangi laju pertumbuhan data yang meningkat seiring dengan waktu dan peningkatan penggunaan teknologi informasi dan komunikasi.
Teknologi big data merupakan teknologi khusus yang diperuntukkan untuk menangani masalah big data. Untuk menangani masalah volume, teknologi big data menggunakan teknik penyimpanan dan pemrosesan data terdistribusi.
Masalah velocity ditangani dengan menggunakan pemrosesan stream dan terdistribusi.
Sedangkan masalah variety ditangani menggunakan teknik integrasi data dan penyimpanan data tidak terstruktur (on write). Penentuan struktur dilakukan pada saat proses pembacaan data tersebut (on read).
Teknologi big data yang populer digunakan saat ini adalah teknologi Hadoop. Hadoop dikembangkan pada awalnya oleh Google (Ghemawat dkk., 2003), kemudian menjadi proyek Apache yang berdiri sendiri. Prinsip utama dari teknologi Hadoop adalah penyimpanan dan pemrosesan terdistribusi pada komputer-komputer komoditas yang terhubung dalam jaringan (sering disebut cluster). Inti dari teknologi Hadoop adalah Hadoop Distributed File
System (HDFS) untuk menangani penyimpanan data terdistribusi dan Map Reduce untuk pemrosesan data terdistrubusi yang dilakukan pada komputer (node of cluster) tempat data disimpan. Untuk menyelesaikan berbagai persoalan komputasi, Hadoop didukung oleh berbagai teknologi yang secara keseluruhan sering disebut sebagai ekosistem Hadoop (Hadoop ecosystem).
1. Statistika, Matematika, dan Ilmu Komputer Sebagai pondasi Data Science Semua berawal dari John Tukey yang pada tahun 1962 menulis pergeseran dan perkembangan dunia statistik. Beliau berkata "… as I have watched mathematical statistics evolve, I have had cause to wonder and to doubt…I have come to feel that my central interest is in data analysis…". Tukey menjelaskan bahwa gabungan ilmu statistik dan ilmu komputer dapat mempersingkat waktu penyajian hasil analisis. Hasil analisis menggunakan gabungan ilmu komputer dan statistik dapat diselesaikan hanya dalam hitungan jam jauh berbeda dibandingkan pengerjaan manual yang membutuhkan waktu berhari-hari bahkan berminggu- minggu.
Pada tahun 1974, Peter Naur menulis sebuah survei singkat mengenai metode komputer dan menggunakan istilah data science. Naur mengenalkan konsep baru "The science of dealing with data, once they have been established, while the relation of the data to what they represent is delegated to other fields and sciences." Tahun 1977 sebuah asosiasi internasional untuk perhitungan statistik dibentuk. Asosiasi ini dikenal dengan IASC (International Association for Statistical Computing). Asosiasi ini memiliki misi yang berpengaruh di dunia science yaitu untuk menghubungkan metodologi statistik tradisional, teknologi komputer modern, dan pengetahuan para ahli untuk mengubah data menjadi informasi dan pengetahuan. Pada tahun ini juga Tukey Menulis makalah keduanya yang berjudul Exploratory Data Analysis atau Analisis Data Eksplorasi. Pada makalahnya ini Tukey menjelaskan alasan pentingnya menggunakan data dalam memilih hipotesis untuk diuji dan menjelaskan bahwa analisis data konfirmatori dan analisis data eksplorasi harus bekerja sama.
Pada tahun 1994, data science mulai memasuki dunia marketing. Business Week memuat berita mengenai database marketing pada cerita sampulnya yang mengungkapkan bahwa perusahaan berita telah mulai mengumpulkan sejumlah besar informasi konsumen untuk memulai iklan pemasaran baru. Namun, data yang diperoleh belum lengkap karena masih banyak informasi yang terputus sehingga pada tahun 1999, Jacob Zahavi menjelaskan
perlunya alat baru untuk menangani sejumlah informasi yang tersedia untuk bisnis. Zahavi menulis "Scalability is a huge issue in data mining… Conventional statistical methods work well with small data sets. Today"s databases, however, can involve millions of rows and scores of columns of data… Another technical challenge is developing models that can do a better job analyzing data, detecting non-linear relationships and interaction between elements… Special data mining tools may have to be developed to address web-site decisions." di Mining Data for Nuggets of Knowledge.
2. Munculnya Software Data Science Pertama
Pada tahun 2001, Software-as-a-Service (SaaS) dibuat. Software Ini adalah awal dari penggunaan aplikasi berbasis Cloud. Pada tahun ini juga William S. Cleveland menyusun rencana pelatihan data scientist untuk memenuhi kebutuhan masa depan. Cleveland mempresentasikan rencananya yang berjudul Data Science: An Action Plan for Expanding the Technical Areas of the field of Statistics. Rencana ini menjelaskan bagaimana cara untuk meningkatkan pengalaman teknis, jangkauan analis data, dan menentukan enam bidang studi untuk departemen di sebuah universitas. Cleveland mengenalkan pengembangan sumber daya khusus untuk penelitian di masing-masing bidang dan rencananya juga akan digunakan untuk penelitian pemerintah dan perusahaan.
Pada tahun 2002, Committee on Data for Science and Technology dari International Council for Science menerbitkan Jurnal data science. Jurnal ini berfokus pada masalah- masalah seperti deskripsi sistem data, publikasinya di internet, aplikasi, dan masalah hukum.
Pada tahun 2006, Hadoop 0.1.0 dirilis. Hadoop 0.1.0 adalah sebuah database non-relasional open source dan berbasis Nutch. Lalu pada tahun 2009, istilah NoSQL diperkenalkan kembali oleh Johan Oskarsson ketika Oskarsson menyelenggarakan diskusi tentang "open-source, non-relational databases".
Pada tahun 2011, daftar pekerjaan untuk data scientist meningkat sebesar 15%.
Seminar dan konferensi data science dan big data pun meningkat. Pada tahun yang sama James Dixon, seorang CTO Pentaho mengenalkan konsep keunggulan menggunakan Data Lakes daripada Data Warehouse. Dixon menyatakan perbedaan antara Data Warehouse dan Data Lake adalah Data Warehouse membuang banyak waktu dan tenaga karena melakukan pra-kategorisasi data pada titik masuk sementara Data Lake menerima informasi menggunakan database non-relasional (NoSQL) yang hanya menyimpan dan tidak mengkategorikan data tersebut.
Menurut IBM pada tahun 2013, sekitar 90% data di dunia telah diproduksi pada tahun 2011 hingga 2012. Pada 2015, Jack Clark dari Bloomberg, menulis bahwa tahun 2015 adalah tahun penting bagi dunia artificial intelligence (AI). Di dalam Google, total proyek software yang menggunakan AI meningkat menjadi lebih dari 2.700 proyek selama tahun 2015. Selain itu dengan menggunakan teknik deep learning, pengenalan Google"s speech recognition dan Google Voice mengalami peningkatan sebesar 49%.
3. Bagaimana Perkembangan Data Science Saat Ini?
Sepanjang tahun 2000-an, berbagai jurnal akademik mulai mengakui data science sebagai disiplin ilmu yang sedang berkembang. Pada tahun 2005, National Science Board menetapkan adanya profesi data scientist yang akan mengelola dan mengumpulkan data dalam dunia digital. Pada saat ini, perusahaan juga mulai melihat data sebagai komponen yang dapat dimanfaatkan. Thomas H. Davenport, Don Cohen, dan Al Jacobson menulis dalam Babson College Working Knowledge Research Center pada tahun 2005 "Instead of competing on traditional factors, companies are beginning to employ statistical and quantitative analysis and predictive modeling as primary elements of competition."
Pada tahun 2009, belum banyak orang yang kompeten dalam bidang data science. hal ini membuat Hal Varian, seorang Google Chief Economist di perusahaan raksasa Google khawatir karena tidak banyak orang yang mampu menganalisis data gratis dari berbagai sumber. Dalam sebuah wawancara dengan McKinsey Quarterly, varian mengungkapkan kekhawatirannya "The complimentary scarce factor is the ability to understand that data and extract value from it … I do think those skills—of being able to access, understand, and communicate the insights you get from the data analysis—are going to be extremely important."
Pada tahun 2010, data science mulai menjadi pusat perhatian dan didukung dengan teknologi komputasi yang semakin canggih. Hal ini merupakan kabar baik untuk varian dan sebagian besar pengamat data science.Contoh nyatanya adalah Apple yang mulai memperkenalkan iPad pada Januari 2010 dan Pada bulan Juni di tahun yang sama, Apple merilis iPhone 4. Contoh lainnya adalah pada Bulan Juli, Amazon menerbitkan siaran pers yang menyatakan bahwa untuk pertama kalinya, platform ini telah menjual lebih banyak buku Kindle daripada buku hardcover. Hal ini membuktikan bahwa konsumen mulai terbuka dengan data science yang dibalut dengan teknologi modern.
Selama beberapa tahun terakhir, data science terus berkembang dan menembus hampir ke seluruh industri. Dalam artikel tahun 2010 yang diterbitkan di The Economist, Kenneth Cukier mengatakan bahwa data scientist merupakan gabungan keterampilan pemrograman, statistika, dan story telling yang dapat menemukan "emas" di balik kumpulan data. Saat ini, data scientist sangat berharga dan perusahaan rela membayar mahal seorang data scientist untuk membantu kinerja perusahaannya. Tidak hanya itu, data science saat ini tidak hanya dapat dipelajari oleh seseorang dengan background pendidikan ilmu komputer atau statistika saja, tetapi juga bisa dipelajari oleh semua orang dengan background pendidikan yang berbeda-beda. Data science dan aplikasinya akan terus berkembang karena data akan terus diproduksi, berkembang, dan semakin besar. Buktinya, menurut Pew Research Center saat ini 95% orang Amerika memiliki beberapa jenis ponsel. Hampir delapan dari sepuluh orang dewasa AS memiliki komputer desktop atau laptop, sementara kira-kira setengahnya sekarang memiliki komputer tablet. Selain itu, menurut Accenture pada tahun 2016, 78% konsumen perawatan kesehatan memakai atau bersedia memakai teknologi untuk melacak gaya hidup dan tanda vital mereka.
Data science telah menjadi bagian penting dari bisnis dan penelitian akademis.
Penerapan data science di bidang teknologi antara lain mesin penerjemah bahasa, robot, speech recognition, dan search engines. Dari segi penelitian, data science telah berkembang mencakup ilmu biologi, kesehatan, informatika, kedokteran, ilmu humaniora, dan ilmu sosial.
Data science saat ini pun berpengaruh di bidang ekonomi, pemerintah, serta bisnis dan keuangan.
4. Beberapa Keampuhan Data Science A. Internet Of Things
Pada era internet of things, banyak alat terkoneksi via internet dan mengirim data.
Analisis terhadap machine-generated data ini bisa mengungkap banyak hal baru. Di bidang kesehatan, misalnya, data kondisi ribuan pasien tersaji di komputer lengkap dengan prediksinya. Dokter bisa mengetahui mengapa obat yang satu efektif pada seseorang, tetapi tidak pada pasien lain. Berbagai alat yang terpasang di tubuh pasien akan memasok jutaan data penting yang mustahil dipahami tanpa Data Science.
B. Komputer Menjadi Semakin Pintar
Seiring waktu, komputer pun makin pintar menghasilkan terjemahan yang lebih baik.
Itu sebabnya, Machine Learning termasuk materi pokok perkuliahan data science. Kelak
Google bisa menghasilkan terjemahan yang akurat, termasuk menerjemahkan percakapan, dan membuat profesi penerjemah memudar, seperti yang akan menimpa banyak profesi lain akibat teknologi. Dengan Data Science, kita juga bisa lebih dalam memahami perilaku konsumen, seperti Amazon yang sukses mengembangkan sistem rekomendasi pembelian beberapa macam item lain kepada pengunjung situsnya.
C. Jurusan Data Science di Beberapa Negara
Karena banyak perusahaan raksasa yang memiliki data besar di Amerika seperti Facebook, Google, Amazon, dan LinkedIn, wajar apabila jurusan Data Science banyak ditawarkan di sana, antara lain di Columbia University, New York University, Carnegie Mellon University, Arizona State University, University of Stanford, dan University of California, Berkeley.
5. Mengapa Data Science Menjanjikan?
Data Scientist dibutuhkan di semua area yang memerlukan analisis statistik dan melibatkan data yang sangat besar. Bidang aktuaria (asuransi), perbankan, keuangan, konsultan jasa statistik, telekomunikasi, industri pabrik, pemasaran, industri kimia dan farmasi, riset kesehatan, dan pertahanan termasuk yang memerlukan keahlian ini. Posisinya sebagai business analyst, data solutions manager, information systems analyst, market intelligence analyst, dan sejenisnya.
Menurut riset yang dilakukan oleh situs Linkedin, ilmu data atau data science adalah salah profesi paling hot yang banyak dibutuhkan oleh dunia industri akhir-akhir ini.
Menariknya lagi, pekerjaan ini menjanjikan penghasilan yang cukup besar. Hal ini tentu bisa menjadi alasan untuk kita terjun ke dalam bidang yang satu ini. Selain itu, ada beberapa alasan lain yang bisa membuat kamu semakin tertarik dengan data science ini.
Bagaimana dengan penghasilan di bidang data science? Penghasilan data scientist di berbagai negara, seperti Amerika Serikat, Kanada, India, dan Singapura memiliki rata-rata penghasilan yang melebihi engineers dan technicians dengan level pengalaman kerja yang sama. Perbedaan ini akan lebih tampak ketika dibandingkan dengan median penghasilan profesi lain di bidang teknologi informasi dan informatika. Bagaimana dengan penghasilan di bidang data science? Penghasilan data scientist di berbagai negara, seperti Amerika Serikat, Kanada, India, dan Singapura memiliki rata-rata penghasilan yang melebihi engineers dan technicians dengan level pengalaman kerja yang sama. Perbedaan ini akan lebih tampak
ketika dibandingkan dengan median penghasilan profesi lain di bidang teknologi informasi dan informatika.
1. Dapat Dipelajari Siapa Saja Siapa saja bisa belajar data science. Sebagai disiplin ilmu baru yang terbilang unik, data science ternyata tidak membutuhkan latar belakang pendidikan tertentu untuk mempelajarinya. Data science adalah ilmu yang bisa dipelajari seseorang dengan disiplin ilmu umum sekalipun. Namun, meskipun secara umum bisa dilakukan oleh orang dari latar belakang pendidikan apa pun, kemampuan dasar pemrograman, matematika dan statistik akan sangat membantu dalam menjalankan data science ini.
2. Profesi Terseksi dan Terbaik Hari Ini Harvard Business Review, media bisnis terbitan Harvard University, menyebut Data Scientist sebagai Profesi Terseksi Abad 21. Glassdoor, situs pencari kerja terbesar di Amerika Serikat, juga sepakat dengan hal tersebut dan menyebutkan bahwa Data Scientist adalah pekerjaan terbaik saat ini.
Glassdoor menggunakan tiga kriteria dalam melakukan penilaian profesi terbaik, yaitu jumlah lowongan, rata-rata gaji, dan kesempatan karier. Tren ini juga terjadi di Indonesia. Dilansir dari Tech in Asia Jobs, pada Desember 2018 terdapat 209 lowongan pekerjaan di bidang data science termasuk analytics di Indonesia saja. Di situs Kalibrr, pada Desember 2018 dengan kata kunci data analyst terdapat 2471 lowongan dan dengan kata kunci data scientist terdapat 1535 lowongan di Indonesia dan Singapura. Hal ini menunjukkan permintaan yang tinggi dari berbagai perusahaan dan organisasi terhadap talenta yang berkecimpung di bidang data science.
3. Belum Banyak Diketahui Untuk kamu yang ingin mendapatkan pekerjaan dengan jumlah saingan yang masih sedikit, data science adalah jawabannya. Dengan semakin majunya teknologi, kalian dengan kemampuan data science ini akan semakin bisa bernapas lega karena terdapat banyak sekali lowongan pekerjaan khusus untuk bidang ini dan saingannya pun tidak banyak karena disiplin ilmu ini masih belum diketahui banyak orang.
4. Kebutuhan Prioritas Banyak Organisasi dan Perusahaan Dengan kompetisi pasar dan industri yang semakin ketat, berbagai organisasi perusahaan kini berusaha memanfaatkan analisis data dan informasi untuk bisa membuka peluang baru dalam bisnis produk dan layanan mereka. Survei tahun 2016 menunjukkan bahwa 77%
perusahaan top dunia mempertimbangkan data analytics sebagai komponen kritis alias sangat penting dalam kinerja bisnis. Hal ini berarti bahwa profesional di
bidang data science akan memiliki pengaruh yang besar dalam pengembangan kebijakan dan strategi pemasaran perusahaan. Kebutuhan akan data scientist ini mendorong permintaan yang tinggi terhadap talenta yang berkecimpung di bidang data science. Kesempatan berkarier yang terbuka luas juga terdapat di area konsultan, bukan hanya bekerja sebagai pegawai tetap di perusahaan. Jasa dan layanan analisis data menjadi yang paling banyak dicari oleh perusahaan-perusahaan menengah dan pemula (startup) menurut data dari SAS, perusahaan multinasional pengembang perangkat lunak analitik. Kesempatan berkarier di bidang data science terbuka amat luas bagi mereka yang memang suka menganalisis dan mengolah data.
Lebih dahsyatnya para lulusan data science bisa masuk ke berbagai posisi pekerjaan berkaitan dengan analisis data, seperti: Metrics and Analytics Specialist, Data Analyst, Data Engineer, Big Data Specialist, Data Analytics Programmer, Marketing Data Expert, dan sebagainya
5. Kesempatan Bergabung dengan Perusahaan Besar Hal yang paling menggiurkan dari belajar data science adalah kesempatan emas untuk bergabung dengan perusahaan-perusahaan besar dunia. Bukan rahasia lagi jika data science adalah ilmu penting bagi sebuah perusahaan terutama dalam memprediksi banyak hal di masa depan baik terkait dengan layanan atau produk mereka. Oleh karena itu, banyak perusahaan besar saat ini yang mulai menyadari hal tersebut dan mencari orang-orang dengan kemampuan data science.
6. Mempersiapkan Diri Terhadap Tren di Masa Depan Dengan tren perkembangan teknologi informasi yang menjadi pendorong utama Revolusi Industri 4.0, maka pekerjaan dan profesi di masa depan dijamin akan terus berubah. Namun, pemanfaatan data akan selalu ada di berbagai aspek bisnis dan kehidupan. Dengan mempelajari data science, Anda akan mempersiapkan diri terhadap tren teknologi di masa depan, karena data science menuntut Anda untuk mau tidak mau memiliki:
Keterampilan problem-solving, Melihat analisis data di manapun berada, Berbagai pengetahuan dan kemampuan di beberapa bidang lainnya, Data scientist tidak hanya sekedar melihat data lalu mengolah data dengan membangun aplikasi dan program, namun juga perlu memahami latar belakang data tersebut hadir. Data science merupakan kombinasi keterampilan matematika terutama statistik, ilmu manajemen data, pemrograman, dan aspek bisnis. Berarti mereka yang terjun dalam data science diharapkan untuk bisa memahami fondasi proses bisnis organisasi, mengumpulkan dan membersihkan data organisasi, dan menganalisis data untuk
mendapatkan insight atau strategi atau rekomendasi untuk pengembangan bisnis yang lebih baik. Hal-hal tersebut menuntut seorang data scientist untuk selalu bisa beradaptasi dengan perubahan, sehingga di masa depan pun profesi ini terjamin karena bisa masuk ke berbagai bidang. Pastinya akan membuat Anda siap menghadapi perubahan
Ada beberapa kebutuhan teknis yang harus dimiliki seorang data scientist, interdisiplin ilmu harus dikuasai, berikut merupakan kebutuhan minimal
1. Memiliki Pemahaman Tentang SQL, Python, R, SAS, Scala Seorang data scientist harus memiliki kreativitas dan kecerdikan dalam menggunakan keterampilan teknis untuk membangun berbagai hal dan menemukan solusi cerdas untuk suatu masalah.
Mengapa hal itu penting?Pada tahap awal, yakni datafication, berbagai data dari aneka sumber harus disiapkan agar bisa dibaca program komputer. Tahap ini membutuhkan keahlian di bidang ilmu komputer. Karena mereka menggunakan teknologi untuk memperebutkan set data yang sangat besar, bekerja dengan algoritma yang rumit, dan itu membutuhkan alat yang jauh lebih canggih daripada Excel.
Para data scientists harus mampu membuat kode untuk solusi cepat prototype, serta mengintegrasikan dengan sistem data yang kompleks. Bahasa inti yang terkait dengan bidang ilmu data termasuk SQL, Algorithm beserta pemrograman dengan Python, R, Scala, SAS, dan lain-lain. Tetapi tidak hanya mengetahui dasar-dasar bahasa, namun mampu secara kreatif menavigasi jalan mereka untuk membuat kode mereka bekerja.
2. Memiliki Pengalaman Langsung Dalam Pengkodean Basis Data SQL Mereka harus berpengalaman dalam pengolahan data menggunakan query SQL untuk bisa memahami aliran data yang rumit dan menggunakan logika mereka dengan baik.
Beberapa ilmu lain yang harus mereka pahami adalah Advanced Database dan Data Warehouses.
3. Kemampuan Untuk Bekerja Dengan Data Tidak Terstruktur Dari Berbagai Sumber Seperti Video, Media Sosial, dan Konten Lainnya Hal ini berhubungan dengan Big Data. Big Data bisa diartikan dengan suatu cara untuk mengambil, menyimpan, menganalisis data-data yang sebelumnya tidak memungkinkan untuk diambil, disimpan, diproses, dan dianalisa. sehingga memungkinkan ada data yang error dan tidak bisa diproses dengan hal-hal yang biasa. Maka seorang data scientist
harus menemukan cara bagaimana nantinya data diproses dan menjadikan data itu bisa disimpan dan diatur dengan cara yang sistematis.
4. Memahami Beberapa Fungsi Analisis Analisis cukup populer dalam istilah bisnis populer beberapa tahun terakhir. Analisis dimaksudkan untuk menggambarkan pemikiran kritis yang bersifat kuantitatif. Secara teknis, analitik adalah “ilmu analisis”
dengan cara lain, praktik menganalisis informasi untuk membuat suatu keputusan.
Analis dapat berinteraksi dengan data pada tingkat database atau tingkat laporan yang dirangkum. Dalam kondisi jika data yang diperlukan sudah siap, tugas berikutnya lebih banyak melibatkan ilmu statistika, optimasi, dan penalaran matematis. Tak heran, seorang Data Scientist harus menguasai Statistics for Data Science, Bayesian Decision Theory, Predictive Analytics, serta Probabilities and Data. Sehingga mereka bisa menganalisis data dengan baik dan benar melalui cara pemrosesan sinyal, model probabilitas, program komputer dan hal yang berkaitan dengan ilmu Sains.
5. Memahami Machine Learning Istilah Machine Learning dapat didefinisikan sebagai hasil dari penggunaan algoritma untuk menggunakan data, dipelajari dan kemudian memprediksinya. Software Machine Learning terdiri dari analisis statistik dan analisis prediktif yang digunakan untuk menemukan pola dan menangkap wawasan tersembunyi berdasarkan data yang dirasakan. Contoh bagus dari implementasi Machine Learning adalah Facebook. Algoritma Machine Learning Facebook mengumpulkan informasi perilaku untuk setiap pengguna di platform sosial. Berdasarkan perilaku sebelumnya, algoritma memprediksi minat dan merekomendasikan artikel dan pemberitahuan di Umpan Berita. Contoh lainnya adalah pada Google Translate, Google tidak menerjemahkan kata demi kata. Diambil dari konferensi internasional, publikasi ilmiah, dan koleksi perpustakaan, aneka teks disandingkan dengan terjemahannya, lalu disimpan dalam bentuk digital.
Tiap frasa dan kalimat dikaitkan dengan terjemahannya, lalu dicari korelasinya.
Intinya dengan algoritma tertentu, data yang satu dikaitkan dengan data lain secara statistik. Ketika jumlah data bertambah, komputer menghasilkan lebih banyak korelasi. Intinya, komputer jadi makin pintar jika disuplai lebih banyak data. Inilah yang disebut Machine Learning.
BAB III
KASUS DATA SCIENCE 3.1 Pada Bidang Ekonomi
Data Science adalah disiplin ilmu dalam memanfaatkan data berskala besar, baik terstruktur maupun tidak terstruktur, guna untuk membuat keputusan yang tepat. Kini Data Science menjadi satu dari sekian istilah paling populer dalam dunia perindustrian. Data Science pun menjadi teknologi yang berperan besar di dalamnya. Secara tidak sadar, hampir semua perusahaan menerapkan Data Science.
1. E-Commerce
Saat ini orang-orang lebih banyak berbelanja secara digital atau biasa kita kenal dengan marketplace. Hampir semua orang menggunakan marketplace, penjual online secara otomatis akan menyesuaikan etalasenya berdasarkan profil data pembeli. Dengan mengubah tata letak halaman dan menyesuaikan produk jualannya secara otomatis dan real-time.
Beberapa online shop juga menyesuaikan harga berdasarkan profil penghasilan konsumen, atau disebut dengan harga yang dipersonalisasi. Teknologi ini merupakan salah satu aplikasi penerapan ilmu Data Science.
2. Fraud Detection
Mendeteksi penipuan adalah bagian terpenting dari segala industri keuangan. Data Science dan AI adalah kedua ilmu yang sering digunakan disini. Bahkan kerusakan dan gangguan kecil akan dapat menyebabkan kerugian finansial. Analisis prediksi real-time membantu dalam peningkatan deteksi penipuan dan juga keamanan cyber. Dengan bantuan Data Science, perusahaan dapat menyediakan layanan keuangan yang lebih efektif. Teknologi ini membantu untuk mengidentifikasi potensi transaksi penipuan yang dilakukan di setiap aktivitas. Dan ini juga akan membantu untuk memblokir sesi atau akun jika terdeteksi ada aktivitas keuangan yang tidak biasa.
3. Dynamic Pricing
Penetapan dynamic pricing sangat berguna dalam industri travel. Penetapan harga dinamis ini digunakan oleh perusahaan dengan menggunakan data untuk mensegmentasikan pelanggan atau konsumen secara akurat. Setiap kelompok pelanggan kemudian dapat
ditawari produk dengan harga berbeda. Penawaran ini didasari pada informasi yang dihasilkan oleh Data Science dan berbagai faktor lainnya.
Salah satu contoh perusahaan yang menerapkannya adalah Airbnb. Airbnb menggunakan ilmu Data Science dan algoritma dynamic pricing yang berfokus pada harga.
Algoritma ini memperhitungkan berbagai macam kategori. Seperti lead time, review properti dan fasilitas yang disediakan. Algoritma ini juga dapat digunakan oleh pemilik properti untuk menentukan biaya per malam secara otomatis.
4. Pajak
Contoh penerapan Big Data yang pertama adalah dalam bidang pajak. Big Data ini bisa meningkatkan pendapatan pajak negara. Kesadaran masyarakat terhadap wajib pajak masih kurang. Hal tersebut membuat ditjen pajak tidak mampu memenuhi target seperti yang diharapkan. Dengan mengimplementasikan dan menerapkan Big Data ini ditjen pajak mampu mengambil data dari silsilah keluarga kemudian bisa mengetahui barang apa saja yang dimiliki.
5. Segmentasi Pelanggan
Penelitian pasar tradisional dapat membantu kita untuk meng-segmentasikan pelanggan namun data mining berjalan dalam dan meningkatkan efektivitas pasar. Alat bantu data mining dalam menyelaraskan pelanggan menjadi segmen yang berbeda dan dapat menyesuaikan kebutuhan menurut pelanggan. Pasar selalu mempertahankan konsumen. Data mining memungkinkan untuk menemukan segmen pelanggan berdasarkan kerentanan dan bisnis dapat menawarkannya dengan penawaran khusus dan meningkatkan kepuasan.
6. Perbankan/Keuangan
Dengan komputerisasi perbankan di mana-mana sejumlah besar data seharusnya dihasilkan dengan transaksi baru. Data mining dapat berkontribusi untuk memecahkan masalah bisnis di bidang perbankan dan keuangan dengan menemukan pola, sebab-akibat, dan korelasi dalam informasi bisnis dan harga pasar yang tidak segera terlihat oleh manajer karena data volume terlalu besar atau dihasilkan terlalu cepat untuk disaring oleh para ahli.
Para manajer dapat menemukan informasi ini untuk segmentasi, penargetan, perolehan, penahanan, dan pemeliharaan pelanggan yang lebih baik.
7. Pengawasan Perusahaan
Pengawasan perusahaan adalah pemantauan perilaku seseorang atau kelompok oleh perusahaan. Data yang dikumpulkan paling sering digunakan untuk tujuan pemasaran atau dijual ke perusahaan lain, namun juga dibagi secara reguler dengan instansi pemerintah. Hal ini dapat digunakan oleh bisnis untuk menyesuaikan produk mereka yang diinginkan oleh pelanggan mereka. Data tersebut dapat digunakan untuk tujuan pemasaran langsung, seperti iklan bertarget di Google dan Yahoo, di mana iklan ditargetkan ke pengguna mesin pencari dengan menganalisis riwayat pencarian dan email mereka.
BAB IV PENUTUP 4.1 Kesimpulan
Data science adalah gabungan dari beberapa ilmu seperti ilmu komputer, ilmu statistik, dan ilmu matematika. Penghasilan data scientist di berbagai negara, seperti Amerika Serikat, Kanada, India, dan Singapura memiliki rata-rata penghasilan yang melebihi engineers dan technicians dengan level pengalaman kerja yang sama. Perbedaan ini akan lebih tampak ketika dibandingkan dengan median penghasilan profesi lain di bidang teknologi informasi dan informatika.
4.2 Saran
Sebaiknya data science digunakan sebagaimana mestinya sesuai dengan kegunaannya, dan dalam penggunaan data science memiliki keuntungan serta kerugian tersendiri. Maka dari itu kerugian dari data science harus cepat ditanganin atau diselesaikan, terutama pada bidang ekonomi.
Daftar Pustaka
Alec Ross. The Industries of he Future. Amerika Serikat:Renebook; 2000.XDe Mauro, A., Greco, M., dan Grimaldi, M. (2016): A formal definition of Big data based on its essential features, Library Review, 65(3), 122–135, diperoleh melalui situs internet:
https://doi.org/10.1108/LR-06-2015-0061.
Ghemawat, S., Gobioff, H., dan Leung, S.-T. (2003): The Google file system, Proceedings of the nineteenth ACM symposium on Operating systems principles – SOSP ’03, 29, diperoleh melalui situs internet: https://doi.org/10.1145/945449.945450.
Rowley, J. (2007): The wisdom hierarchy: Representations of the DIKW hierarchy, Journal of Information Science, 33(2), 163–180, diperoleh melalui situs internet:
https://doi.org/10.1177/0165551506070706.
Syamsu, M. (2021). Peran Data Science dan Data Scientist Untuk Mentransformasi Data Dalam Industri 4 . 0. 2(1), 27–36.
