Dari Jejak Data Menuju Pengetahuan

Bagian pembuka ini menyampaikan gagasan inti buku dengan bahasa yang sederhana: sains data muncul karena manusia ingin memahami dunia melalui data dan menggunakan pemahaman itu untuk membuat keputusan yang lebih baik. Kalimat ini tampak umum, tetapi sebenarnya memuat beberapa ide penting. Ada perbedaan antara data, informasi, pengetahuan, model, dan keputusan. Ada juga tanggung jawab untuk membersihkan, menguji, menafsirkan, dan mengomunikasikan hasil analisis secara jujur. Dengan kata lain, sains data bukan hanya tentang memiliki banyak data atau memakai perangkat lunak canggih, melainkan tentang mengubah jejak-jejak kejadian menjadi alasan yang dapat dipertanggungjawabkan.

Data sebagai jejak, bukan kebenaran penuh

Ketika teks mengatakan bahwa keputusan “meninggalkan jejak berupa angka, teks, gambar, waktu, lokasi, klik, transaksi, sensor, dan catatan peristiwa”, ia sedang menggambarkan sifat dunia modern. Banyak kegiatan sekarang tercatat secara digital. Saat seseorang membeli barang di toko daring, sistem mungkin mencatat waktu pembelian, harga, metode pembayaran, lokasi pengiriman, perangkat yang digunakan, dan halaman yang dibuka sebelum membeli. Di rumah sakit, rekam medis dapat mencatat diagnosis, hasil laboratorium, obat, usia pasien, dan waktu kunjungan. Di pertanian, sensor dapat mencatat suhu, kelembapan tanah, curah hujan, dan pertumbuhan tanaman.

Namun catatan seperti itu belum otomatis menjadi gambaran lengkap tentang kenyataan. Data adalah representasi dari kejadian, bukan kejadian itu sendiri. Representasi selalu bergantung pada cara pencatatan. Jika sebuah aplikasi hanya mencatat pelanggan yang berhasil masuk, maka perilaku pengguna yang gagal masuk mungkin tidak terlihat. Jika sensor rusak selama dua jam, maka data pada periode itu hilang atau keliru. Jika formulir rumah sakit memakai kategori yang terlalu kasar, maka kondisi pasien yang sebenarnya kompleks dapat disederhanakan secara berlebihan.

Inilah alasan mengapa bagian pembuka menekankan bahwa “jejak-jejak itu belum otomatis menjadi pengetahuan.” Data dapat banyak, cepat, dan beragam, tetapi tetap bisa bias, tidak lengkap, salah format, atau tidak sesuai dengan pertanyaan yang ingin dijawab. Dalam statistika dan sains data, kesadaran seperti ini sangat penting: angka yang rapi belum tentu benar, dan tabel yang besar belum tentu mewakili populasi yang ingin kita pahami.

Mengapa data harus dirapikan

Langkah pertama yang disebutkan adalah bahwa data “harus dirapikan”. Ini merujuk pada proses pembersihan dan penyiapan data. Dalam praktik nyata, data jarang langsung siap dianalisis. Nama kota bisa ditulis “Jakarta”, “DKI Jakarta”, “Jkt”, atau “Jakarta Selatan”. Tanggal bisa memakai format berbeda. Nilai umur bisa hilang, tidak masuk akal, atau tertukar dengan kolom lain. Satu pelanggan bisa muncul dua kali karena memakai email berbeda.

Pembersihan data bukan pekerjaan kecil yang hanya bersifat teknis. Keputusan saat membersihkan data dapat mengubah kesimpulan. Misalnya, jika data pendapatan memiliki beberapa nilai kosong, kita harus bertanya: apakah kosong berarti responden tidak menjawab, tidak memiliki pendapatan, atau terjadi kesalahan sistem? Tiga kemungkinan itu memiliki makna berbeda. Mengisi nilai kosong dengan nol tanpa memahami konteks dapat menghasilkan kesimpulan yang salah.

Karena itu, merapikan data berarti memperbaiki bentuk data sekaligus memahami asal-usulnya. Dalam kerangka kerja proyek data seperti CRISP-DM, tahap pemahaman data dan persiapan data memang ditempatkan sebelum pemodelan, karena model yang baik tidak dapat menyelamatkan data yang salah dipahami [Chapman et al. 2000].

Dari memahami ke menguji

Setelah dirapikan, data perlu “dipahami” dan “diuji”. Memahami data berarti melihat struktur dan konteksnya. Berapa banyak baris dan kolom? Apa arti tiap variabel? Satuan apa yang digunakan? Siapa yang tercakup dalam data, dan siapa yang tidak? Apakah ada perubahan definisi dari waktu ke waktu? Pertanyaan seperti ini menentukan batas kesimpulan.

Misalnya, sebuah universitas ingin mengetahui rata-rata masa studi mahasiswa. Secara matematis, rata-rata dapat ditulis sebagai

$$ \bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i $$

di mana $x_i$ adalah lama studi mahasiswa ke-$i$, dan $n$ adalah jumlah mahasiswa yang dihitung. Rumus ini sederhana dan benar. Tetapi kesimpulannya bergantung pada definisi $x_i$ dan $n$. Apakah mahasiswa yang belum lulus dihitung? Apakah mahasiswa pindahan dihitung? Apakah cuti akademik termasuk dalam lama studi? Jika definisi ini tidak jelas, angka rata-rata bisa menyesatkan walaupun rumusnya benar.

Menguji data dan hasil analisis berarti memeriksa apakah pola yang terlihat cukup kuat untuk dipercaya. Jika sebuah toko melihat bahwa pembatalan pembelian meningkat setelah ongkos kirim naik, itu adalah pola yang menarik. Tetapi untuk menyimpulkan bahwa ongkos kirim menyebabkan pembatalan, kita perlu bukti yang lebih hati-hati. Mungkin pada saat yang sama terjadi perubahan tampilan aplikasi, gangguan pembayaran, atau promosi dari pesaing. Di sini terlihat perbedaan antara korelasi dan kausalitas. Sains data yang baik tidak berhenti pada “dua hal muncul bersama”, tetapi bertanya apakah penjelasan lain sudah dipertimbangkan.

Pemodelan sebagai penyederhanaan yang berguna

Bagian pembuka juga menyebut bahwa data perlu “dimodelkan”. Model adalah penyederhanaan dari kenyataan yang dibuat untuk tujuan tertentu. Model dapat berupa persamaan statistik, algoritme pembelajaran mesin, simulasi, atau aturan keputusan sederhana. George Box terkenal dengan gagasan bahwa semua model salah dalam arti menyederhanakan kenyataan, tetapi sebagian model berguna jika dipakai dengan sadar terhadap batasnya [Box 1976].

Sebagai contoh, model prediksi keterlambatan pengiriman mungkin menggunakan jarak, cuaca, volume pesanan, jenis kurir, dan hari dalam minggu. Model ini tidak mengetahui seluruh kenyataan. Ia mungkin tidak mengetahui bahwa sebuah jembatan tiba-tiba ditutup atau bahwa ada demonstrasi di jalan tertentu. Namun jika dilatih dan dievaluasi dengan benar, model dapat membantu memperkirakan risiko keterlambatan lebih baik daripada tebakan acak.

Hal pentingnya adalah model bukan tujuan akhir. Model adalah alat untuk menjawab pertanyaan. Untuk pertanyaan deskriptif, kita mungkin hanya memerlukan ringkasan dan visualisasi. Untuk pertanyaan prediktif, kita mungkin memerlukan model klasifikasi atau regresi. Untuk pertanyaan kausal, kita mungkin memerlukan eksperimen, desain kuasi-eksperimental, atau kerangka inferensi kausal. Kesalahan terjadi ketika model dipakai tanpa mencocokkan jenis pertanyaan dan jenis bukti yang diperlukan.

Komunikasi yang jujur

Frasa “dikomunikasikan dengan jujur” adalah bagian yang sangat penting. Analisis data tidak selesai ketika kode berhasil dijalankan atau grafik selesai dibuat. Hasilnya harus dijelaskan kepada orang lain: manajer, dokter, dosen, pembuat kebijakan, petani, pengguna aplikasi, atau masyarakat. Komunikasi ini harus jujur tentang apa yang diketahui, apa yang belum diketahui, dan seberapa kuat bukti yang tersedia.

Misalnya, pernyataan “model kami akurat 90%” terdengar meyakinkan, tetapi belum cukup. Akurasi 90% bisa bagus atau buruk tergantung masalahnya. Jika 95% kasus memang selalu termasuk kelas mayoritas, model yang selalu menebak kelas mayoritas bisa memiliki akurasi tinggi tetapi tidak berguna untuk menemukan kasus langka. Untuk masalah medis, kesalahan negatif palsu dan positif palsu juga memiliki konsekuensi berbeda. Maka komunikasi yang jujur perlu menjelaskan metrik, batas data, risiko kesalahan, dan konteks penggunaan.

Kejujuran juga berarti tidak melebih-lebihkan kesimpulan. Jika analisis hanya menunjukkan hubungan statistik, jangan menyebutnya sebagai sebab-akibat tanpa bukti tambahan. Jika data hanya berasal dari satu kota, jangan langsung menyimpulkan berlaku untuk seluruh negara. Jika model belum diuji pada data baru, jangan mengklaim siap diterapkan. Sikap ini sesuai dengan semangat ilmiah dalam sains data: kuat dalam teknik, tetapi rendah hati terhadap ketidakpastian.

Letak sains data dalam gagasan yang lebih luas

Penjelasan pembuka ini sejalan dengan pandangan bahwa sains data adalah gabungan statistika, komputasi, pengetahuan domain, dan praktik ilmiah. Cleveland mengusulkan perluasan bidang statistika agar mencakup komputasi, eksplorasi data, dan praktik analisis data nyata [Cleveland 2001]. Donoho kemudian menekankan bahwa sains data bukan sekadar nama baru untuk pembelajaran mesin, melainkan kelanjutan dari tradisi panjang analisis data, komputasi, visualisasi, dan inferensi [Donoho 2017]. Untuk pendidikan sarjana, National Academies juga menekankan bahwa sains data perlu menggabungkan kemampuan matematis, komputasional, statistis, etis, dan komunikasi [National Academies of Sciences, Engineering, and Medicine 2018].

Dengan latar itu, kalimat “Di sinilah sains data bekerja” dapat dipahami sebagai penanda ruang kerja sains data: ruang antara catatan mentah dan keputusan yang bertanggung jawab. Sains data bekerja ketika ada pertanyaan tentang dunia, ada data sebagai bukti tidak sempurna, ada metode untuk mengolah dan menguji bukti, ada model untuk membantu pemahaman atau tindakan, dan ada komunikasi yang menjelaskan hasil secara jernih.

Membaca bagian pembuka secara hati-hati

Sebagai pengantar, bagian ini tidak sedang membuktikan klaim teknis tertentu. Ia sedang membangun cara pandang. Klaim utamanya dapat diterima sebagai deskripsi umum tentang praktik sains data modern: banyak kegiatan menghasilkan data, tetapi data memerlukan proses analisis sebelum dapat mendukung pengetahuan dan keputusan. Yang perlu dijaga adalah agar pembaca tidak menafsirkan “membuat keputusan yang lebih baik” sebagai janji otomatis. Data dapat membantu keputusan menjadi lebih baik hanya jika datanya relevan, kualitasnya memadai, metodenya sesuai, asumsi-asumsinya diperiksa, dan dampaknya dipertimbangkan.

Dengan demikian, pesan utama bagian ini adalah ajakan untuk tidak memuja data mentah dan tidak memuja model. Yang lebih penting adalah disiplin berpikir: mulai dari pertanyaan, memahami sumber data, merapikan dan menguji bukti, membangun model jika diperlukan, lalu mengomunikasikan kesimpulan beserta batasnya. Itulah dasar dari sains data yang dapat dipercaya.

References

Box, G. E. P. (1976). Science and statistics. Journal of the American Statistical Association, 71(356), 791–799.

Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc.

Cleveland, W. S. (2001). Data science: An action plan for expanding the technical areas of the field of statistics. International Statistical Review, 69(1), 21–26.

Donoho, D. (2017). 50 years of data science. Journal of Computational and Graphical Statistics, 26(4), 745–766. https://doi.org/10.1080/10618600.2017.1384734

National Academies of Sciences, Engineering, and Medicine. (2018). Data Science for Undergraduates: Opportunities and Options. The National Academies Press. https://doi.org/10.17226/25104