Pendahuluan

Sains data lahir dari kebutuhan sederhana tetapi kuat: kita ingin memahami dunia melalui data, lalu membuat keputusan yang lebih baik. Di kampus, di perusahaan, di pemerintahan, di laboratorium, di rumah sakit, di pertanian, sampai di aplikasi sehari-hari, banyak keputusan kini meninggalkan jejak berupa angka, teks, gambar, waktu, lokasi, klik, transaksi, sensor, dan catatan peristiwa. Jejak-jejak itu belum otomatis menjadi pengetahuan. Ia harus dirapikan, dipahami, diuji, dimodelkan, dan dikomunikasikan dengan jujur.

Di sinilah sains data bekerja.

Istilah sains data merujuk pada bidang yang memadukan statistika, komputasi, pengetahuan domain, dan cara berpikir ilmiah untuk mengekstraksi pengetahuan serta membangun sistem berbasis data. William S. Cleveland mengusulkan perluasan wilayah teknis statistika menuju apa yang ia sebut data science, dengan penekanan pada komputasi, eksplorasi data, pemodelan, dan praktik analisis nyata (Cleveland, 2001). David Donoho kemudian menempatkan sains data sebagai kelanjutan dari tradisi panjang statistika, komputasi, visualisasi, dan analisis data modern, bukan sekadar nama baru untuk pembelajaran mesin (Donoho, 2017). Untuk tingkat sarjana, laporan National Academies juga menekankan bahwa pendidikan sains data perlu menggabungkan kemampuan matematis, komputasional, statistis, etis, dan komunikasi (National Academies of Sciences, Engineering, and Medicine, 2018).

Buku ini ditulis dengan semangat itu: sains data bukan kumpulan trik perangkat lunak, bukan sekadar memakai model populer, dan bukan pula hanya membuat grafik indah. Sains data adalah disiplin kerja yang mengubah pertanyaan menjadi bukti, bukti menjadi pemahaman, dan pemahaman menjadi keputusan atau produk yang dapat dipertanggungjawabkan.

Mengapa sains data penting?

Bayangkan sebuah toko daring ingin mengetahui mengapa banyak pelanggan memasukkan barang ke keranjang tetapi tidak menyelesaikan pembayaran. Data yang tersedia mungkin berisi waktu kunjungan, jenis perangkat, halaman yang dibuka, harga barang, ongkos kirim, metode pembayaran, dan riwayat transaksi. Pertanyaan awalnya tampak sederhana: “Mengapa pelanggan batal membeli?” Namun untuk menjawabnya dengan baik, seorang data saintis harus melakukan banyak hal.

Pertama, ia perlu memahami data. Data adalah representasi tercatat dari suatu kejadian, objek, pengukuran, atau pernyataan. Jika seseorang membeli buku pada pukul 20.15 dengan harga Rp120.000, maka catatan waktu, barang, dan harga adalah data. Data tidak sama dengan kebenaran penuh. Data selalu merupakan hasil proses pencatatan. Jika sistem gagal mencatat transaksi yang dibatalkan, maka data yang tersedia hanya menunjukkan sebagian kenyataan.

Kedua, ia perlu mengubah data menjadi informasi. Informasi adalah data yang telah diberi konteks sehingga mulai bermakna. Misalnya, “30% pelanggan berhenti pada halaman ongkos kirim” lebih informatif daripada daftar mentah jutaan klik.

Ketiga, ia perlu membangun pengetahuan. Pengetahuan muncul ketika pola dalam informasi dipahami bersama alasan, batasan, dan konsekuensinya. Misalnya, “ongkos kirim tinggi berkaitan dengan peningkatan pembatalan, terutama untuk pembelian bernilai rendah” adalah pengetahuan awal. Namun pernyataan ini masih perlu diuji: apakah ongkos kirim benar-benar menyebabkan pembatalan, atau hanya tampak demikian karena pelanggan di wilayah tertentu memiliki karakteristik berbeda?

Keempat, ia perlu membantu pengambilan keputusan. Keputusan dapat berupa mengubah struktur ongkos kirim, membuat eksperimen A/B, memperbaiki tampilan halaman pembayaran, atau membangun model prediksi pelanggan yang berisiko batal membeli. Inilah perbedaan besar antara “sekadar menganalisis data” dan “bekerja sebagai data saintis”: hasil kerja data saintis harus dapat membantu tindakan yang bernilai.

Provost dan Fawcett menekankan bahwa sains data dalam konteks bisnis sangat terkait dengan kemampuan mengekstraksi pola yang berguna dari data dan mengubahnya menjadi keputusan yang lebih baik (Provost & Fawcett, 2013). Tetapi prinsip ini tidak hanya berlaku di bisnis. Di kesehatan, data dapat membantu mendeteksi risiko penyakit. Di pendidikan, data dapat membantu mengenali mahasiswa yang membutuhkan dukungan akademik. Di lingkungan, data sensor dapat membantu memantau kualitas udara. Dalam setiap kasus, tujuan akhirnya bukan “memiliki data”, melainkan memahami masalah dan bertindak lebih baik.

Dari pertanyaan menuju keputusan

Sains data selalu dimulai dari pertanyaan. Tanpa pertanyaan yang baik, dataset besar pun dapat menghasilkan analisis yang dangkal. Pertanyaan yang baik membatasi arah kerja: data apa yang dibutuhkan, metode apa yang sesuai, kesimpulan apa yang boleh dibuat, dan keputusan apa yang mungkin diambil.

Misalnya, perhatikan empat pertanyaan berikut.

Pertanyaan pertama: “Berapa rata-rata waktu pengiriman pesanan bulan ini?” Ini adalah pertanyaan deskriptif. Tujuannya menggambarkan keadaan. Kita meringkas data yang sudah terjadi.

Pertanyaan kedua: “Mengapa waktu pengiriman meningkat minggu lalu?” Ini adalah pertanyaan diagnostik. Tujuannya mencari kemungkinan penyebab atau faktor yang berkaitan dengan perubahan. Kita mungkin membandingkan wilayah, kurir, cuaca, volume pesanan, atau gangguan gudang.

Pertanyaan ketiga: “Pesanan mana yang berisiko terlambat besok?” Ini adalah pertanyaan prediktif. Tujuannya memperkirakan kejadian yang belum diketahui berdasarkan pola masa lalu.

Pertanyaan keempat: “Apakah menambah satu gudang baru akan menurunkan waktu pengiriman?” Ini adalah pertanyaan kausal. Tujuannya menilai akibat dari suatu intervensi. Pertanyaan kausal lebih sulit daripada sekadar mencari korelasi, karena kita ingin mengetahui apa yang akan terjadi jika suatu tindakan dilakukan.

Perbedaan jenis pertanyaan ini sangat penting. Kesalahan umum dalam sains data adalah memakai jawaban untuk satu jenis pertanyaan seolah-olah menjawab jenis pertanyaan lain. Misalnya, model prediksi dapat menemukan bahwa pelanggan dari wilayah tertentu lebih sering membatalkan pesanan. Namun dari fakta prediktif ini saja, kita belum boleh menyimpulkan bahwa wilayah menyebabkan pembatalan. Mungkin faktor sebenarnya adalah ongkos kirim, estimasi waktu tiba, metode pembayaran, atau kombinasi beberapa hal.

Buku ini akan berulang kali mengajak Anda membedakan pertanyaan deskriptif, diagnostik, prediktif, dan kausal. Perbedaan ini akan menjadi dasar ketika kita belajar eksplorasi data, inferensi statistika, regresi, eksperimen, kausalitas, pembelajaran mesin, dan evaluasi model.

Data tidak berbicara sendiri

Kalimat “biarkan data berbicara” sering terdengar menarik, tetapi sebenarnya menyesatkan jika dipahami secara harfiah. Data tidak berbicara sendiri. Manusialah yang memilih pertanyaan, menentukan cara mengukur, membersihkan data, memilih model, menafsirkan hasil, dan mengambil keputusan.

John Tukey, salah satu tokoh penting dalam analisis data eksploratif, menekankan pentingnya menjelajahi data untuk menemukan pola, keanehan, dan pertanyaan baru sebelum terlalu cepat menarik kesimpulan formal (Tukey, 1977). Gagasan ini penting karena data nyata jarang rapi. Data sering mengandung nilai hilang, pencilan, duplikasi, kesalahan format, bias pencatatan, dan perubahan definisi.

Contoh sederhana: sebuah universitas ingin mengetahui rata-rata waktu mahasiswa menyelesaikan studi. Dataset akademik berisi tanggal masuk dan tanggal lulus. Tampaknya mudah: hitung selisih waktu, lalu ambil rata-rata. Namun pertanyaan muncul segera.

Apakah mahasiswa pindahan dihitung? Apakah mahasiswa cuti panjang dihitung sama? Apakah mahasiswa yang belum lulus dimasukkan? Apakah perubahan kurikulum membuat angkatan tertentu tidak sebanding? Apakah tanggal lulus di sistem adalah tanggal sidang, tanggal yudisium, atau tanggal ijazah?

Tanpa memahami konteks, hasil rata-rata dapat tampak presisi tetapi sebenarnya keliru. Angka dengan banyak digit desimal bukan jaminan kebenaran. Dalam sains data, ketelitian teknis harus berjalan bersama pemahaman konteks.

Empat fondasi sains data

Untuk menjadi data saintis yang kuat, Anda perlu membangun beberapa fondasi secara seimbang. Buku ini disusun agar fondasi tersebut tumbuh bertahap.

Fondasi pertama adalah statistika. Statistika adalah ilmu tentang pengumpulan, peringkasan, pemodelan, dan penarikan kesimpulan dari data dalam kehadiran variasi dan ketidakpastian. Kata “ketidakpastian” penting. Jika semua hal sudah diketahui dengan pasti, kita tidak memerlukan statistika. Tetapi dalam dunia nyata, sampel terbatas, pengukuran dapat keliru, perilaku manusia berubah, dan pola masa lalu tidak selalu berulang. Statistika memberi bahasa untuk mengatakan, “Berdasarkan data ini, seberapa kuat bukti kita?”

Contohnya, jika 52 dari 100 responden menyukai desain aplikasi baru, apakah kita dapat yakin bahwa mayoritas semua pengguna juga menyukainya? Jawabannya tidak cukup dengan melihat 52 lebih besar daripada 50. Kita perlu memahami sampel, variasi acak, interval kepercayaan, dan desain pengumpulan data.

Fondasi kedua adalah pemrograman dan komputasi. Pemrograman adalah cara memberi instruksi terstruktur kepada komputer. Dalam sains data, pemrograman memungkinkan kita membersihkan jutaan baris data, menghitung statistik, membuat visualisasi, melatih model, menguji pipeline, dan mengulang analisis secara konsisten. Python menjadi salah satu bahasa yang banyak digunakan karena ekosistem pustakanya kuat untuk analisis data, seperti NumPy, pandas, matplotlib, scikit-learn, dan banyak alat lain.

Namun belajar pemrograman untuk sains data bukan hanya menghafal sintaks. Yang lebih penting adalah berpikir secara terstruktur: bagaimana memecah masalah besar menjadi langkah kecil, bagaimana memastikan kode dapat dijalankan ulang, bagaimana menghindari kesalahan diam-diam, dan bagaimana menulis analisis yang dapat diperiksa orang lain.

Fondasi ketiga adalah pembelajaran mesin. Pembelajaran mesin adalah cabang komputasi dan statistika terapan yang membangun algoritme agar komputer dapat belajar pola dari data untuk melakukan prediksi, klasifikasi, segmentasi, rekomendasi, atau tugas lain. Misalnya, model dapat belajar dari riwayat transaksi untuk memprediksi apakah transaksi baru berisiko penipuan. Model tidak “memahami” seperti manusia; ia menyesuaikan parameter berdasarkan pola dalam data pelatihan. Karena itu, kualitas data, pemilihan fitur, evaluasi, dan pemantauan model sangat menentukan.

Leo Breiman membedakan dua budaya dalam pemodelan statistik: budaya yang menekankan model stokastik eksplisit untuk memahami mekanisme data, dan budaya algoritmik yang lebih menekankan akurasi prediksi dari algoritme fleksibel (Breiman, 2001). Dalam praktik sains data modern, keduanya berguna. Kadang kita membutuhkan model yang mudah ditafsirkan, seperti regresi linear. Kadang kita membutuhkan model prediktif kuat, seperti random forest atau gradient boosting. Data saintis yang matang memahami kapan memilih masing-masing pendekatan.

Fondasi keempat adalah pengetahuan domain dan komunikasi. Pengetahuan domain adalah pemahaman tentang bidang tempat data berasal: kesehatan, keuangan, pendidikan, logistik, pertanian, pemasaran, pemerintahan, atau bidang lain. Tanpa pengetahuan domain, data saintis mudah salah menafsirkan variabel. Misalnya, dalam data rumah sakit, “lama rawat inap” bukan hanya angka; ia berkaitan dengan tingkat keparahan pasien, kapasitas fasilitas, prosedur medis, kebijakan asuransi, dan risiko klinis. Hasil analisis harus dikomunikasikan kepada dokter, manajer rumah sakit, regulator, atau pasien dengan bahasa yang tepat.

Komunikasi bukan hiasan akhir. Komunikasi adalah bagian dari metode. Analisis yang benar tetapi tidak dapat dipahami pemangku kepentingan sering gagal memengaruhi keputusan. Sebaliknya, visualisasi yang menarik tetapi menyesatkan dapat berbahaya. Buku ini akan melatih Anda menulis, menggambar, menjelaskan, dan mempertanggungjawabkan hasil analisis.

Model adalah penyederhanaan, bukan kenyataan

Salah satu kata terpenting dalam buku ini adalah model. Model adalah representasi sederhana dari suatu sistem, proses, atau hubungan. Peta kota adalah model: ia tidak memuat setiap pohon, batu, dan retakan jalan, tetapi cukup berguna untuk membantu kita bernavigasi. Regresi linear juga model: ia menyederhanakan hubungan antara variabel masukan dan keluaran dalam bentuk persamaan linear.

George Box menekankan bahwa model statistik perlu dipahami sebagai alat pendekatan terhadap realitas, bukan salinan sempurna dari realitas (Box, 1976). Ini sikap yang sangat penting bagi data saintis. Model dapat berguna walaupun tidak sempurna, tetapi model juga dapat berbahaya jika digunakan di luar batasnya.

Misalnya, model prediksi harga rumah mungkin memakai luas tanah, luas bangunan, lokasi, jumlah kamar, dan usia bangunan. Model tersebut dapat cukup baik untuk rumah umum di kota tertentu. Tetapi jika digunakan untuk menilai bangunan bersejarah, rumah di pulau kecil, atau properti dengan sengketa hukum, prediksinya bisa sangat buruk. Masalahnya bukan hanya pada algoritme, melainkan pada kesesuaian antara data pelatihan, tujuan penggunaan, dan kondisi nyata.

Karena itu, setiap kali membangun model, kita perlu bertanya:

• Data apa yang dipakai untuk melatih model?
• Populasi apa yang diwakili data tersebut?
• Kesalahan apa yang paling merugikan?
• Apakah model akan digunakan untuk membantu manusia atau menggantikan keputusan manusia?
• Bagaimana kita mengetahui jika model mulai gagal?

Pertanyaan-pertanyaan ini akan muncul kembali dalam bab evaluasi model, MLOps, etika, privasi, dan produk data.

Alur kerja sains data

Walaupun proyek sains data sangat beragam, banyak proyek mengikuti pola umum. Salah satu kerangka kerja terkenal dalam industri adalah CRISP-DM, yang membagi proyek data mining menjadi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment (Chapman et al., 2000). Kerangka seperti ini tidak harus diikuti secara kaku, tetapi berguna untuk menunjukkan bahwa pemodelan hanyalah satu bagian dari pekerjaan.

Dalam buku ini, Anda dapat membayangkan alur kerja sains data sebagai perjalanan berikut.

Kita mulai dari masalah. Masalah harus dirumuskan dalam bahasa yang jelas. “Meningkatkan penjualan” masih terlalu umum. “Mengurangi pelanggan yang berhenti berlangganan dalam 30 hari setelah percobaan gratis” lebih operasional.

Lalu kita menentukan data yang diperlukan. Apakah data sudah tersedia? Apakah kualitasnya cukup? Apakah ada batas privasi? Apakah definisi variabel konsisten? Apakah data mewakili populasi yang ingin kita pahami?

Setelah itu kita melakukan eksplorasi data. Kita menghitung ringkasan, membuat grafik, mencari pola, memeriksa pencilan, dan mengajukan pertanyaan baru. Eksplorasi bukan kegiatan asal melihat-lihat; ia adalah proses sistematis untuk memahami struktur data.

Kemudian kita melakukan pemodelan. Pemodelan dapat berupa regresi, klasifikasi, clustering, peramalan deret waktu, pemodelan topik, atau metode lain. Model dipilih berdasarkan pertanyaan, jenis data, kebutuhan interpretasi, dan konsekuensi kesalahan.

Berikutnya kita melakukan evaluasi. Model yang tampak bagus di data pelatihan belum tentu bagus untuk data baru. Karena itu kita memerlukan pemisahan data latih dan data uji, validasi silang, metrik yang sesuai, serta pemeriksaan kebocoran data. Evaluasi harus menjawab pertanyaan praktis: apakah model cukup baik untuk digunakan?

Jika hasilnya layak, kita masuk ke penerapan. Penerapan dapat berupa laporan, dashboard, rekomendasi kebijakan, API prediksi, sistem peringatan dini, atau pipeline otomatis. Setelah diterapkan, sistem tetap perlu dipantau. Data dapat berubah, perilaku pengguna dapat berubah, dan model dapat mengalami penurunan kinerja.

Akhirnya, kita kembali ke masalah awal. Apakah keputusan yang diambil benar-benar memperbaiki keadaan? Apakah ada dampak tak terduga? Apakah perlu eksperimen lanjutan? Sains data yang baik bersifat iteratif: ia bergerak maju melalui siklus belajar.

Apa yang akan Anda kuasai dalam buku ini?

Buku ini disusun sebagai jalur lengkap dari dasar hingga praktik profesional. Pada bagian awal, Anda akan membangun cara berpikir dengan data: merumuskan masalah, memahami kualitas data, mengenali bias, dan membedakan jenis pertanyaan. Setelah itu, Anda akan mempelajari fondasi matematika, peluang, dan statistika yang diperlukan untuk memahami model secara benar.

Kemudian Anda akan masuk ke keterampilan praktis: pemrograman Python, pembersihan data, transformasi data, visualisasi, SQL, dan basis data. Keterampilan ini penting karena sebagian besar waktu proyek data nyata sering habis bukan pada memilih model paling canggih, melainkan pada memahami, memperbaiki, dan menyiapkan data.

Setelah fondasi analisis kuat, Anda akan mempelajari inferensi statistika, regresi, desain eksperimen, A/B testing, dan kausalitas. Bagian ini akan membantu Anda membedakan “pola yang terlihat” dari “bukti yang cukup untuk bertindak”.

Berikutnya, Anda akan mempelajari pembelajaran mesin terawasi dan tak terawasi, evaluasi model, feature engineering, deret waktu, pemrosesan bahasa alami, dan dasar deep learning. Anda tidak hanya akan belajar nama algoritme, tetapi juga kapan algoritme tersebut masuk akal, bagaimana mengukurnya, dan apa risikonya.

Pada bagian akhir, buku ini membawa Anda mendekati praktik profesional: rekayasa data, MLOps, penerapan model, etika, privasi, keamanan, keadilan algoritmik, komunikasi, produk data, dan portofolio. Tujuannya bukan sekadar agar Anda bisa menyelesaikan notebook, melainkan agar Anda mampu membangun kerja data yang dapat dipercaya, dijalankan ulang, dikomunikasikan, dan memberi nilai.

Sikap belajar yang diperlukan

Untuk menguasai sains data, Anda tidak perlu menjadi “jenius matematika” sejak awal. Namun Anda perlu membangun tiga kebiasaan.

Pertama, biasakan bertanya “apa definisinya?”. Banyak kesalahan analisis muncul karena istilah tidak didefinisikan. Apa itu “pelanggan aktif”? Apa itu “terlambat”? Apa itu “sukses”? Apa itu “risiko tinggi”? Definisi menentukan data, metrik, model, dan keputusan.

Kedua, biasakan bertanya “dibandingkan dengan apa?”. Angka jarang bermakna sendirian. Jika akurasi model 90%, apakah itu bagus? Tergantung. Jika 95% data berasal dari kelas mayoritas, model bodoh yang selalu menebak kelas mayoritas bisa mendapat akurasi 95%. Jika penjualan naik 10%, apakah itu karena kampanye, musim liburan, inflasi, atau perubahan harga? Perbandingan yang tepat adalah inti analisis.

Ketiga, biasakan bertanya “apa batas kesimpulannya?”. Setiap analisis memiliki batas. Sampel mungkin tidak representatif. Variabel penting mungkin tidak tersedia. Model mungkin bekerja hanya pada periode tertentu. Pengukuran mungkin bias. Mengakui batas bukan tanda kelemahan; justru tanda profesionalisme.

Seorang data saintis yang baik tidak hanya bertanya, “Model mana yang paling akurat?” Ia juga bertanya, “Apakah data ini layak dipercaya? Apakah metrik ini sesuai tujuan? Siapa yang diuntungkan dan siapa yang dirugikan? Apakah keputusan ini dapat dijelaskan? Apa yang terjadi jika model salah?”

Menjadi data saintis berkelas

Data saintis berkelas bukan orang yang selalu memakai algoritme paling rumit. Ia adalah orang yang mampu memilih alat yang tepat untuk masalah yang tepat, menjelaskan alasan pilihannya, memeriksa asumsi, mengukur kinerja, menjaga etika, dan membantu orang lain mengambil keputusan yang lebih baik.

Kadang solusi terbaik adalah tabel ringkasan yang jelas. Kadang solusi terbaik adalah visualisasi sederhana. Kadang solusi terbaik adalah uji eksperimen. Kadang solusi terbaik adalah model pembelajaran mesin. Kadang solusi terbaik justru mengatakan, “Data yang ada belum cukup untuk menyimpulkan itu.”

Buku ini akan mengajak Anda bergerak dari pemahaman dasar menuju kemampuan profesional. Akan ada konsep matematis, kode, grafik, model, dan studi kasus. Beberapa bagian mungkin terasa menantang. Itu wajar. Sains data memang berada di pertemuan banyak disiplin. Namun jika dipelajari bertahap, setiap bagian akan saling menguatkan.

Pada akhirnya, tujuan buku ini bukan hanya membuat Anda “bisa memakai alat”, tetapi membuat Anda mampu berpikir sebagai ilmuwan data: teliti terhadap bukti, rendah hati terhadap ketidakpastian, kreatif dalam memecahkan masalah, dan bertanggung jawab terhadap dampak keputusan berbasis data.

Mari kita mulai dari peta besarnya.

References

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

Breiman, L. (2001). Statistical modeling: The two cultures. Statistical Science, 16(3), 199–231.

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

Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O’Reilly Media.

Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley.