Mengulik 4 Fakta dan Mitos Seputar "Data Science", Apa Saja?

KOMPAS.com - Istilah dan teknologi Internet of Things (IoT) kini makin biasa didengar dan banyak digunakan seiring perhatian yang lebih serius terkait tantangan era Revolusi Industri 4.0.

‘Jakarta Smart City’ yang mengoptimalkan otomatisasi smart lighting untuk mengatur lampu penerangan jalan dan lampu lalu lintas dari jarak jauh merupakan salah satu bentuk dari penerapan IoT.

Adanya integrasi teknologi informasi dan komunikasi menjadikan IoT mampu meningkatkan efisiensi, penyebaran informasi, kualitas pelayanan, serta kesejahteraan masyarakat.

IoT juga merupakan bagian dari pengolahan ilmu data science yang diaplikasikan pada bidang keseharian.

Sekarang, penyebaran pengolahan data science dan teknologi IoT juga mulai menyebar ke pedesaan. Masyarakat pedesaan juga bisa menggunakan pemanfaatan data untuk dapat diimplementasikan dalam pekerjaan dan dalam kehidupan sehari-hari.

Dalam kesempatan meetup DQLab.id dengan eFishery, Ahmad Anshorimuslim (Head of Engineering eFishery) dan Dimas Gilang (Software Engineering eFishery) mengupas fakta-fakta menarik dibalik pekerjaan data scientist di lapangan.

1. IoT tidak hanya soal internet

Kalau dengar istilah IoT, pasti banyak orang langsung menganggap penerapannya selalu berhubungan dengan internet. Padahal tidak juga. Penerapan IoT di perkotaan dan di pedesaan itu jauh berbeda.

“Temuan-temuan yang tidak ideal di lapangan serta karakteristik pedesaan, mempengaruhi bagaimana cara kita mengolah data, memproduksi data, maupun berinteraksi dengan datanya," ujar Anshori.

“Di eFishery, kita membantu para petani dan peternak menyediakan paket komplit mulai dari penyediaan pakannya, konsultasinya, dan bagaimana mereka bisa mengontrol bibitnya hingga dapat dipanen," tambahnya.

eFishery yang tidak hanya dapat mengotomiasasi pemberian pakan ikan secara terjadwal ini juga bisa mencatat setiap pemberian pakan secara real-time dengan takaran yang tepat.

“Agar dapat membantu petani dan peternak ikan, kami tidak menggunakan image recognizion, melainkan deteksi getaran. Dari getaran itu kita bisa jadikan sebagai sensor pendeteksi kalau ikan sudah kenyang," jelasnya.

2. Data scientist dan data engineer tidak sama

“Satu hal yang menurut saya paling penting dari pengertian data scientist adalah yaitu kata science itu sendiri. Seorang Data Scientist harus melalui proses scientific method," kata Anshori.

Maksudnya, sama seperti saat belajar di bangku kuliah, harus ada metodenya, ada langkah-langkah yang jelas yang harus diurutkan. Misalnya ada pendahuluan, latar belakang, permasalahan, metode, dan solusi, evaluasi, dan kesimpulan.

“Dalam data science, yang paling terpenting adalah scientific process-nya. Data science itu bukan bentuknya, tapi tergantung prosesnya, meskipun ranahnya adalah business intelligence atau business analyst. Banyak yang beranggapan data science itu sama dengan data mining, padahal belum tentu. Kembali lagi, tergantung pada prosesnya," lanjut Anshor.

3. Kunci data science adalah matematika

eFishery memahami bahwa tidak semua orang yang berprofesi sebagai data scientist memiliki latar belakang pendidikan khusus data science yang harus ditempuh bertahun-tahun. Tapi yang harus diingat adalah, tools apapun yang digunakan, baik Python, maupun R, basic yang harus dipahami adalah matematika.

“Kalo kata orang matematik, R itu adalah matematik tingkat lanjut," kata Anshori. “Jadi untuk dapat mengoperasikan R, harus paham dulu rumus matematikanya."

Selain matematika, hal lain yang harus dipahami adalah kemampuan coding, karena dalam mengolah data pasti akan membutuhkan custom solution.

Sering kali data scientist membutuhkan model dan output tertentu agar dapat disesuaikan dengan pihak yang akan menggunakan data tersebut, misalnya dijadikan web server, atau bentuk lainnya.

“Sekarang ini, data scientist nggak bisa cuma jadi sekedar data scientist, karena lingkupnya yang mengharuskan untuk menganalisis insight dan mengelola sistem, jadi minimal banget harus bisa matematika dan programming," ungkap Dimas menambahkan.

4. Data Scientist adalah rangkaian proses panjang

Artinya, untuk dapat mengolah data, seorang data scientist harus ikut dan terjun langsung ke dalam pengambilan data. Kenapa demikian? karena hanya mereka yang tahu mereka membutuhkan data yang seperti apa, sebanyak apa, dan sevariatif apa.

Seorang data scientist tidak harus menjadi orang yang mengambil datanya, tapi paling tidak, mereka harus menjadi reviewer saat pengambilan data tersebut untuk memastikan apakah data yang diambil sudah sesuai dengan apa yang diinginkan.

“Di eFishery, karena sumber data kita adalah makhluk hidup dan outputnya adalah behavior, jadi banyak banget temuan-temuan baru yang kita dapat. Setiap data baru ini nggak bisa langsung kita olah pakai software yang ada. Kalau kurang sesuai ya harus bikin baru”, tutup Dimas.

Menjadi seorang Data Scientist yang handal memang membutuhkan proses. Latihan dan pengalaman adalah faktor yang tak kalah penting untuk dapat memahami lebih dalam menganai penolahan data.

Untuk itu, DQLab.id tidak hanya menyediakan fasilitas belajar yang flexibel dan mudah dipahami karena berbahasa Indonesia, tapi juga melengkapinya dengan real-case project dan meetup session untuk dapat membangun portofolio peserta.

Awali langkah belajar data science menjadi data scientist dengan penguasaan ilmu tepat di DQLab.id!