Statistik vs Data Mining

Selama bertahun tahun statistik merupakan alat bantu yang ‘handal’ bagi para ilmuwan. Statistik
sudah ada sejak abad 19 dan berdasarkan formulasi dasar matematika untuk menguji generalisasi
dari hipotesa ‘sedikit’ data sample terhadap populasi yang diteliti. Selama bertahun tahun pula
statistik berhadapan dengan isu mengenai terlalu sedikitnya data yang tersedia, sehingga kita harus
mampu mengambil kesimpulan global dari sedikit data tersebut dengan tingkat kepercayaan yang
tinggi, isu ini juga diakibatkan karena jaman dahulu mencari data ukuran besar itu mahal. Statistik
mempunyai ciri khas mengkonfirmasi dugaan, data numerik, dan hanya menyelesaikan masalah
terstruktur. Demikian juga dibidang bisnis dan ilmu sosial, pada umumnya masalah
disederhanakan sedemikian rupa sehingga bisa diukur secara statistik.

Data Mining merupakan alat untuk menemukan pengetahuan di dalam data berdasarkan pola yang
ada di dalam data tersebut. Data Mining muncul baru akhir akhir ini, seiring dengan tersedianya
data berukuran besar di internet dan sosial media. Data Mining dalam skala besar disebut juga
sebagai Big Data, karena fungsinya sama yaitu memperoleh pengetahuan dari data, kemudian
dibuat modelnya untuk memprediksi, mengoptimasi dan membantu pengambilan keputusan
bisnis. Data Mining menyediakan banyak algoritma untuk menangani data komples dalam
menyelesaikan persoalan kompleks (contohnya jumlah variabel data yang banyak).

Jelas, Data Mining mempunyai sedikit keunggulan karena mampu melakukan ‘prediksi’
dibandingkan dengan statistik yang hanya melakukan ‘konfirmasi’ hipotesa. Sayangnya di
Indonesia, Data Mining merupakan ‘domain’ dari orang orang IT. Rekan rekan dari ilmu
sosial/bisnis jarang sekali menggunakan alat ini, padahal data data dari sosial media sungguh
berlimpah dan sangat banyak pertanyaan pertanyaan dalam bisnis yang bisa dibantu dengan alat
ini.

Statistika vs Data Mining vs Machine

Learning vs Artificial Intelligence
Di dunia data, ada beberapa istilah yang mirip namun mereka sebenarnya berbeda. Jika kita
ingin mengetahui perbedaaannya, maka kita dengarkan saja definisi menurut para ahli. Kali ini
akan dibahas beberapa istilah seperti statistika, data mining, machine learning dan artificial
intelligence.
DATA MINING

Cara pandang dan pengetahuan yang berbeda membuat para ahli memberikan definisi berbeda
mengenai Data Mining. Sebagian ahli mengatakan bahwa

Data Mining adalah langkah analisis terhadap proses penemuan pengetahuan di dalam basis
data (Fayyad et al. 1996).

Data Mining merupakan gabungan sejumlah disiplin ilmu komputer (ACM 2006), (Clifton
2010), yang didefinisikan sebagai proses penemuan pola baru dari kumpulan data yang sangat
besar, meliputi metode-metode yang merupakan irisan dari artificial intelligence,machine
learning, statistics, dan database systems.

Data Mining ditujukan untuk mengekstrak (mengambil intisari) pengetahuan dari sekumpulan
data sehingga didapatkan struktur yang dapat dimengerti manusia serta meliputi basis data dan
management data, prapemrosesan data, pertimbangan model dan inferensi, ukuran ketertarikan,
pertimbangan kompleksitas, pascapemrosesan terhadap struktur yang ditemukan, visualisasi, dan
online updating.

MACHINE LEARNING

Metode ini membuat mesin bisa belajar sendiri tanpa diajarkan secara langsung oleh manusia.
Machine learning mempelajari teori agar komputer mampu “belajar” dari data. Machine learning
melibatkan berbagai disiplin ilmu seperti statistika, ilmu komputer, matematika dan bahkan
neurologi. Machine learning menggunakan teori-teori statistika untuk membangun model.

The Science and engineering of making intelligent machines. (John McCarthy) .

Sebuah cabang ilmu komputer yang berkaitan dengan bagaimana mensimulasikan kecerdasan
pada komputer.

Kemampuan mesin untuk meniru kecerdasan manusia

Jadi, Inti dari machine learning adalah bagaimana membuat komputer dapat menyelesaikan
berbagai persoalan dan dapat belajar sendiri seperti manusia belajar sesuatu.

STATISTICS

Karl Pearson menyatakan bahwa “Statistics is the Grammar of Science”. Seringkali istilah
statistika dan statistik sering disamakan, padahal mereka berbeda. Statistika merujuk kepada
cabang ilmu, sedangkan statistik lebih merujuk kepada suatu data atau informasi. Itulah
mengapa BPS kepanjangan-nya adalah Badan Pusat Statistik bukan Badan Pusat
Statistika. Karena BPS adalah salah satu badan yang menjadi pusat data atau informasi.
Menurut Prof. Dr. Sudjana, M.A., M.Sc., statistik adalah suatu pengetahuan yang berhubungan
dengan cara pengumpulan data, pengolahan penganalisisannya, dan penarikan kesimpulan
berdasar kumpulan data dan penganalisa yang dilakukannya.

Menurut Supranto, statistika adalah suatu cabang ilmu yang mempelajari tentang cara
pengumpulan, penyajian, menganalisis data serta mengambil kesimpulan secara umum
berdasarkan hasil penelitian menyeluruh yang telah dilakukan.

ARTIFICIAL INTELLIGENCE

AI (Artificial Intelligence) sangat erat kaitannya dengan Machine Learning. Jika digambarkan
secara diagram, wilayah kajian AI akan jauh lebih besar dibandingkan machine learning. Bisa
disimpulkan bahwa machine learning adalah bagian dari AI atau machine learning merupakan
implementasi atau subset dari AI.

Semua hal yang berkaitan dengan machine learning praktis akan terkait juga dengan AI.
Sedangkan symbolic logic, rules engines, expert systems, knowledge graphs, semuanya
adalah bagian dari AI dan tidak ada sangkut pautnya sama sekali dengan machine learning.

REFFERENCE

1. Primartha, Rifkie. 2018. Belajar Machine Learning Teori dan Praktek. Informatika : Bandung.
2. Suyanto. 2018. Machine Learning Tingkat Lanjut. Informatika : Bandung.
3. Suyanto. 2017. Data Mining. Informatika : Bandung.
4. J. Supranto. 1994. Statistik : Teori dan Aplikasi Jilid 1 Edisi Kelima. Erlanga : Jakarta.
5. Sudjana. 1996. Metode Statistika, Tarsito : Bandung.

Apa Itu Data Science? Pengertian dan

Manfaat
November 8, 2018 bootupacademyai Data Science

Data science adalah salah satu disiplin ilmu yang secara khusus mempelajari soal data terutama
data kuantitatif atau data numerik. Saat ini, ilmu yang satu ini mulai menjelma menjadi suatu
profesi baru di bidang teknologi yang banyak dicari oleh berbagai jenis perusahaan. Menariknya
lagi, data science atau ilmu data ini tidak memerlukan latar belakang pendidikan tertentu untuk
bisa mempelajarinya.
Apa Itu Data Science?

Lalu apa sebenarnya data science itu? Dan apa saja yang akan kita pelajari dalam ilmu data
tersebut? Secara umum data science adalah penggalian atau bisa juga disebut mengekstrak data
agar dapat difilter serta didapatkan data yang benar untuk menghasilkan produk data yang
sebenar-benarnya. Banyak yang tidak mengetahui bahwa data science merupakan suatu hal yang
dipekerjakan dan banyak pula perusahaan yang mencari orang dengan kemampuan ini.

data science adalah profesi baru yang menjanjikan,

Yuk Kenalan dan Cari Tahu Lebih Banyak

Untuk mereka yang bekerja dalam bidang data science ini kerap disebut sebagai seorang data
analyst atau data scientist. Bukan rahasia lagi jika pekerjaan di bidang data science adalah
sesuatu yang masih belum banyak diketahui oleh masyarakat. Bahkan beberapa perguruan tinggi
ternama pun masih belum membuka jurusan khusus untuk mencetak orang-orang hebat di bidang
ini. Padahal skill di data science ini sangatlah menjanjikan.

Mengapa Data Science Menjanjikan?

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.

• 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.

• 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.

• 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.

Bagaimana Langkah Belajar Data Science dari Awal?

Lalu, bagaimana langkah awal untuk memulai belajar data science dan menjadi seorang data
analyst atau data scientist? Nyatanya, ada banyak hal yang perlu kamu pelajari hingga bisa
menjadi seorang data analyst dengan penghasilan yang besar. Penasaran bagaimana cara untuk
memulai memasuki dunia data science atau ilmu data ini? Langsung saja simak informasinya di
bawah ini.

Ketahui Skill yang Harus Kamu Kuasai

Data science adalah sebuah ilmu yang tidak berdiri sendiri. Kamu juga memerlukan beberapa
ilmu atau skill lain untuk bisa bekerja dengan baik di bidang ini. Mereka dengan latar belakang
pendidikan software developer juga belum tentu bisa secara otomatis menjadi seorang data
scientist. Lalu, skill apa saja yang perlu kamu kuasai untuk terjun ke bidang ini?
 • Pemrograman

Memiliki skill pemrograman akan sangat membantu kalian dalam menjadi seorang data scientist
atau data analyst. Tidak bisa dipungkiri jika data science adalah soal memasukan data-data
tertentu ke komputer. Untuk memudahkan mereka dalam melakukan hal tersebu, keahlian dalam
programming akan memastikan pekerjaan tersebut berakhir sempurna. Artinya, seorang data
scientist setidaknya harus mengusai bahasa pemrograman seperti Python.

• Statistika

Selanjutnya, pemahaman akan statistika juga merupakan suatu hal yang mendasar bagi kalian
yang ingin menjadi seorang data analyst atau data scientist. Selain berguna untuk menentukan
algoritma seperti apa yang akan diaplikasikan, ilmu statistika juga dibutuhkan dalam
pengembangan software machine learning. Hal ini membuktikan bahwa data science adalah
suatu profesi menarik yang memerlukan banyak skill sekaligus.

• Komunikasi dan Visualisasi Data

Selain itu, skill komunikasi dan visualisasi data juga menjadi skill yang penting untuk kamu
yang ingin terjun ke bidang ini. Terutama jika kamu masuk ke dalam sebuah perusahaan yang
manajemennya data-driven. Biasanya, sebagai seorang data analyst, kamu juga diminta untuk
membantu menentukan arah kebijakan. Dalam hal ini, kemampuan komunikasi dan visualisasi
data menjadi penting untuk dimiliki.

Temukan Tempat Belajar Data Science Terbaik

Meskipun secara umum karir di bidang data science adalah karir yang bisa dirintis oleh orang-
orang dari berbagai disiplin ilmu, belajar ilmu data ini secara mandiri bisa jadi sangat sulit dan
kemungkinan kamu untuk berhenti di tengah jalan sangatlah tinggi. Oleh karena itu, bergabung
dengan akademi teknologi terbaik yang bisa menjadikanmu data analyst atau data scientist yang
handal bukanlah sebuah pilihan, tetapi kewajiban.

Baca Juga: Belajar Data Science Dengan Mudah

BootUP Academy adalah pilihan yang tempat untuk siapa saja yang berencana mendalami data
science. Data science adalah salah satu program unggulan yang ditawarkan oleh BootUP
Academy selain program lainnya seperti coding dan machine learning. Menawarkan kelas baik
secara offline maupun online, akademi yang satu ini sangat cocok untuk kamu yang ingin
mempelajari data science dari jarak jauh ataupun secara langsung.

Yang paling menarik dari BootUP Academy ini adalah kamu akan diberikan kesempatan bekerja
yang baik yang tidak akan kamu dapatkan di akademi lainnya. Seperti yang kita tahu data
science adalah jalan menuju ke berbagai perusahaan besar, dan disini BootUP Academy akan
membantumu menapaki karir di berbagai perusahaan mitra seperti IBM, Singtel, QuickDesk,
NUS, Refash, Unframed dan sebagainya.

Kesimpulan

Jadi, apakah kamu siap untuk mencari kesempatan baru yang menjanjikan dengan menjadi
seorang data analyst atau data scientist? Jika kamu siap berkomitmen, jangan ragu untuk
bergabung dengan BootUP Academy yang akan memberikan semua materi yang dibutuhkan
untuk menjadi seorang data analyst handal. Data science adalah profesi yang menjanjikan
keuntungan besar dan bergabung dengan BootUP Academy akan membantumu meraihnya!

Analitik Big Data

Apa itu dan mengapa hal itu penting

Analitik big data memeriksa sejumlah besar data untuk mengungkap pola tersembunyi, korelasi,
dan wawasan lainnya. Dengan teknologi saat ini, dimungkinkan untuk menganalisis data Anda
dan mendapatkan jawaban darinya segera – upaya yang lebih lambat dan kurang efisien
menggunakan solusi bisnis intelijen yang lebih tradisional.

• Sejarah
•
• Dunia saat ini
•
• Siapa yang Menggunakannya
•
• Bagaimana Cara Kerjanya
•
• Langkah berikutnya
 Sejarah dan evolusi analitik big data

Konsep big data telah ada selama bertahun-tahun; sebagian besar organisasi sekarang mengerti
bahwa jika mereka menangkap semua data yang mengalir ke bisnis mereka, mereka dapat
menerapkan analitik dan mendapatkan nilai manfaat yang signifikan dari data tersebut. Tetapi
bahkan di tahun 1950-an, beberapa dekade sebelum seseorang mengucapkan istilah "big data",
bisnis menggunakan analitik dasar (pada dasarnya angka dalam spreadsheet yang dikaji secara
manual) untuk mengungkap wawasan dan tren.

Namun, manfaat baru yang dibawa oleh analisis big data adalah kecepatan dan efisiensi.
Sementara beberapa tahun yang lalu sebuah bisnis akan mengumpulkan informasi, menjalankan
analitik, dan menggali informasi yang dapat digunakan untuk keputusan di masa mendatang, kini
bisnis dapat mengidentifikasi wawasan yang didapat untuk keputusan segera. Kemampuan untuk
bekerja lebih cepat – dan tetap tangkas – memberi organisasi keunggulan kompetitif yang tidak
mereka miliki sebelumnya.
Mengapa analitik big data demikian penting?

Analitik big data membantu organisasi memanfaatkan data mereka dan menggunakannya untuk
mengidentifikasi peluang baru. Analitik itu, pada gilirannya, mengarah kepada pergerakan bisnis
yang lebih cerdas, operasi yang lebih efisien, laba yang lebih tinggi, dan pelanggan yang lebih
bahagia. Dalam laporannya Big Data in Big Companies (Big Data dalam Perusahaan Besar), IIA
Director of Research Tom Davenport mewawancarai lebih dari 50 perusahaan untuk memahami
bagaimana mereka menggunakan big data. Ia menemukan bahwa perusahaan-perusahaan
tersebut mendapatkan nilai dengan cara-cara berikut:

1. Pengurangan biaya. Teknologi big data seperti Hadoop dan analitik berbasis cloud membawa
keuntungan biaya yang signifikan dalam hal menyimpan data dalam jumlah besar – ditambah
lagi mereka dapat mengidentifikasi cara-cara yang lebih efisien dalam melakukan bisnis.
2. Pengambilan keputusan lebih cepat, lebih baik. Dengan kecepatan Hadoop dan analitik in-
memory, dikombinasikan dengan kemampuan untuk menganalisis sumber data baru,
perusahaan dapat menganalisis informasi dengan segera – dan mengambil keputusan
berdasarkan apa yang telah mereka pelajari.
3. Produk dan layanan baru. Dengan kemampuan untuk mengukur kebutuhan dan kepuasan
pelanggan melalui analitik, muncul kekuatan untuk memberikan apa yang diinginkan pelanggan.
Davenport menunjukkan bahwa dengan analitik big data, lebih banyak perusahaan menciptakan
produk baru untuk memenuhi kebutuhan pelanggan.

Baca dokumen resmi

Analitik big data di dunia saat ini

Kebanyakan organisasi memiliki big data. Dan banyak yang memahami perlunya memanfaatkan
data itu dan mengekstraksi nilai manfaat darinya. Tetapi caranya? Sumber-sumber ini mencakup
pemikiran terbaru tentang persimpangan big data dan analitik.

Statistik dan Pembelajaran Mesin Sesuai Ukurannya

Konsep pembelajaran mesin telah ada selama beberapa dekade dan sekarang dapat diterapkan
pada data dalam jumlah besar.

Baca laporan resmi

Membawa kekuatan SAS® ke Hadoop

Ingin mendapatkan nilai lebih dari Hadoop? Laporan ini menyajikan portofolio solusi SAS yang
membantu Anda menerapkan analitik bisnis ke Hadoop.

Baca laporan resmi

Analitik big data dan layanan kesehatan

Ledakan big data sudah berada di garis horizon sehingga mengendalikan informasi kesehatan
Anda menjadi lebih penting dari sebelumnya. Webinar ini menjelaskan bagaimana analitik big
data berperan.

Saksikan webinar

Kerja keras di balik analitik

Untuk memahami peluang analitik bisnis, MIT Sloan Management Review melakukan survei
tahunan keenam terhadap para eksekutif, manajer, dan profesional analitik.

Baca ulasan

Siapa yang menggunakannya?

Pikirkan bisnis yang bergantung pada keputusan yang cepat dan tangkas untuk tetap kompetitif,
dan kemungkinan besar analitik big data terlibat dalam membuat bisnis menjadi besar. Begini
cara berbagai jenis organisasi dapat menggunakan teknologi ini:

Life Sciences

Penelitian klinis adalah proses yang lambat dan mahal, dengan uji coba yang sering gagal karena
berbagai alasan. Analisis lanjutan, kecerdasan buatan (AI) dan Internet of Medical Things
(IoMT) membuka potensi untuk meningkatkan kecepatan dan efisiensi di setiap tahap penelitian
klinis dengan memberikan solusi yang lebih cerdas dan otomatis.

Analitik Big Data untuk Life Sciences

Perbankan

Lembaga keuangan mengumpulkan dan mengakses wawasan analitik dari volume besar data
yang tidak terstruktur untuk mengambil keputusan keuangan yang baik. Analitik big data
memungkinkan lembaga keuangan untuk mengakses informasi yang lembaga butuhkan saat
mereka membutuhkannya, dengan menghilangkan perangkat dan sistem yang tumpang tindih
dan berlebihan.

Analitik Big Data untuk Perbankan

Manufaktur

Bagi produsen, menyelesaikan masalah bukan hal yang baru. Para produsen dengan masalah-
masalah yang sulit setiap hari - mulai dari rantai pasokan yang kompleks, hingga aplikasi
bergerak, hingga kendala tenaga kerja, dan kerusakan peralatan. Itu sebabnya analitik big data
sangat penting dalam industri manufaktur, karena memungkinkan organisasi yang kompetitif
menemukan peluang penghematan biaya baru dan peluang pendapatan.

Analitik Big Data untuk Manufaktur

Perawatan Kesehatan

Big data diberikan dalam industri perawatan kesehatan. Catatan pasien, program kesehatan,
informasi asuransi, dan jenis informasi lainnya mungkin sulit dikelola – tetapi penuh dengan
wawasan penting begitu analitik diterapkan. Itu sebabnya teknologi analitik big data begitu
penting bagi perawatan kesehatan. Dengan menganalisis sejumlah besar informasi – baik
terstruktur dan tidak terstruktur – dengan cepat, penyedia layanan kesehatan dapat segera
memberikan diagnosis atau pilihan perawatan yang menyelamatkan jiwa.

Analitik Big Data untuk Perawatan Kesehatan

Pemerintah

Instansi pemerintah tertentu menghadapi tantangan besar: mengetatkan anggaran tanpa

mengurangi kualitas atau produktivitas. Hal ini terutama menyulitkan badan-badan penegak
hukum, yang berjuang untuk menurunkan angka kejahatan dengan sumber daya yang relatif
langka. Dan itulah sebabnya banyak lembaga menggunakan analitik big data; teknologi
merampingkan operasi sambil memberikan agen pandangan yang lebih holistik dari kegiatan
kriminal.

Analitik Big Data untuk Pemerintah

Retail

Layanan pelanggan telah berevolusi dalam beberapa tahun terakhir, karena pembeli yang
berpengalaman berharap para peritel memahami dengan tepat apa yang mereka butuhkan, ketika
mereka membutuhkannya. Teknologi analitik big data membantu peritel memenuhi permintaan
tersebut. Berbekal sumber daya data yang tak ada habisnya dari program loyalitas pelanggan,
kebiasaan membeli dan sumber lainnya, peritel tidak hanya memiliki pemahaman mendalam
tentang pelanggan mereka, mereka juga dapat memprediksi tren, merekomendasikan produk baru
– dan meningkatkan profitabilitas.

Analitik Big Data untuk Ritel

Pelajari Selengkapnya Tentang Industri yang Menggunakan Teknologi Ini

Tujuan utama dari strategi organisasi formal untuk data dan analitik adalah untuk meningkatkan
pengambilan keputusan dengan analitik dalam berbagai bidang kegiatan. [Dan] hasil survei dan
 wawancara kami menunjukkan bukti kuat bahwa strategi analitik yang sukses secara dramatis
mengubah cara pengambilan keputusan dalam organisasi.

Dari laporan resmi Melampaui Hype: Kerja Keras di Balik Kesuksesan Analitik

Analitik lanjutan membantu Rogers Communications menjadi lebih berorientasi pada

pelanggan

Rogers Communications berupaya untuk meningkatkan kepuasan pelanggan dan

mempertahankan kepemimpinannya di sektor media dan telekomunikasi Kanada.
Pelajari bagaimana analitik canggih membantu Rogers Communication mengurangi separuh
keluhan pelanggan dengan memberikan pelanggan layanan yang tepat pada waktu yang tepat.

Dapatkan kisah selengkapnya

 Cara kerjanya dan teknologi utama

Tidak ada satu teknologi tunggal yang mencakup analitik big data. Tentu saja, ada analitik
canggih yang dapat diterapkan pada big data, tetapi pada kenyataannya beberapa jenis teknologi
bekerja bersama untuk membantu Anda mendapatkan nilai maksimal dari informasi Anda.
Berikut adalah para pemain terbesar:

Pembelajaran Mesin. Pembelajaran mesin, subset khusus AI yang melatih mesin cara belajar,
memungkinkan untuk secara cepat dan otomatis menghasilkan model yang dapat menganalisis
data yang lebih besar dan lebih kompleks, serta memberikan hasil yang lebih cepat, lebih akurat
– bahkan dalam skala yang sangat besar. Dan dengan membangun model yang tepat, organisasi
memiliki peluang yang lebih baik untuk mengidentifikasi peluang yang menguntungkan – atau
menghindari risiko yang tidak diketahui.

Manajemen data. Data harus berkualitas tinggi dan diatur dengan baik sebelum dapat dianalisis
dengan andal. Dengan data yang terus-menerus mengalir masuk dan keluar dari suatu organisasi,
penting untuk menetapkan proses berulang guna membangun dan mempertahankan standar
kualitas data. Setelah data dapat diandalkan, organisasi harus membuat program manajemen data
master yang membuat seluruh perusahaan pada halaman yang sama.

Penambangan data. Teknologi penambangan data membantu Anda memeriksa sejumlah besar
data untuk menemukan pola dalam data – dan informasi ini dapat digunakan untuk analisis lebih
lanjut guna membantu menjawab pertanyaan bisnis yang kompleks. Dengan perangkat lunak
penambangan data, Anda dapat menyaring semua kebisingan data yang kacau dan berulang-
ulang, menentukan apa yang relevan, menggunakan informasi itu untuk menilai kemungkinan
hasil, dan kemudian mempercepat laju pengambilan keputusan berdasarkan informasi.

Hadoop. Kerangka kerja perangkat lunak open source ini dapat menyimpan sejumlah besar data
dan menjalankan aplikasi pada kelompok perangkat keras komoditas. Hal ini telah menjadi
teknologi utama untuk melakukan bisnis karena peningkatan volume dan varietas data yang
konstan, dan model komputasi terdistribusi dapat memproses big data dengan cepat. Manfaat
tambahan adalah bahwa kerangka kerja open source Hadoop adalah gratis dan menggunakan
perangkat keras komoditas untuk menyimpan data dalam jumlah besar.

Analitik in-memory. Dengan menganalisis data dari memori sistem (bukan dari hard disk drive
Anda), Anda dapat memperoleh wawasan langsung dari data Anda dan menindaklanjutinya
dengan cepat. Teknologi ini dapat menghapus latensi persiapan data dan pemrosesan analitik
untuk menguji skenario baru dan menciptakan model; ini bukan hanya cara mudah bagi
organisasi untuk tetap gesit dan membuat keputusan bisnis yang lebih baik, tetapi juga
memungkinkannya untuk menjalankan skenario analitik iteratif dan interaktif.

Analitik prediktif. Teknologi analitik prediktif menggunakan data, algoritme statistik, dan
teknik pembelajaran mesin untuk mengidentifikasi kemungkinan hasil di masa mendatang
berdasarkan data historis. Ini semua tentang memberikan penilaian terbaik tentang apa yang akan
terjadi di masa depan, sehingga organisasi dapat merasa lebih percaya diri bahwa mereka
mengambil keputusan bisnis sebaik mungkin. Beberapa aplikasi analitik prediktif yang paling
umum termasuk deteksi penipuan, risiko, operasi, dan pemasaran.

Penambangan teks. Dengan teknologi penambangan teks, Anda dapat menganalisis data teks
dari web, bidang komentar, buku, dan sumber berbasis teks lainnya untuk mengungkap wawasan
yang belum Anda perhatikan sebelumnya. Penambangan teks menggunakan pembelajaran mesin
atau teknologi pemrosesan bahasa alamiah untuk mengombinasikan dokumen – email, blog,
umpan Twitter, survei, kecerdasan kompetitif, dan lainnya – untuk membantu Anda menganalisis
informasi dalam jumlah besar dan menemukan hubungan topik dan istilah yang baru.

Langkah berikutnya

Lihat bagaimana analitik big data memainkan peran dalam manajemen data.

SAS untuk Solusi Manajemen Data

SAS® Platform

Dibangun dengan strategi yang menggunakan wawasan analitis untuk mendorong tindakan
bisnis, SAS® Platform mendukung setiap fase siklus hidup analitik – mulai dari data, hingga
penemuan, sampai penerapannya.

SAS® Platform
Analitik Teks Visual

Dengan SAS® Visual Text Analytics, Anda dapat mendeteksi tren yang muncul dan peluang
tersembunyi, karena memungkinkan Anda untuk secara otomatis mengonversi data yang tidak
terstruktur menjadi wawasan yang bermakna yang memberi asupan pembelajaran mesin dan
model prediktif.

Pelajari lebih lanjut tentang analitik teks visual

Memahami Dasar-dasar “Data Science” untuk Bisnis

Mengenal Data Scientist dan Perbedaannya dengan Data Analyst Ilustrasi Data Scientist.
foto/istockphoto Ilustrasi Data Scientist. foto/istockphoto Oleh: Rachma Dania - 8 Mei 2020
Dibaca Normal 1 menit Apa perbedaan Data Scientist dengan Data Analyst? Berikut
penjelasannya. tirto.id - Data Scientist merupakan salah satu profesi yang kini turut berkembang
bersamaan dengan berkembangnya Big Data. Walaupun memiliki nama yang hampir sama
dengan Data Analyst nyatanya kedua profesi ini memiliki perbedaan satu sama lain. Disebutkan
pada northeastern.edu perbedaan yang mendasari keduanya terletak pada apa yang mereka
lakukan pada data. Data Analyst atau Analis Data bertugas untuk menganalisa data besar untuk
mengidentifikasi tren dan mengembangkannya menjadi bentuk grafis yang ditampilkan dalam
presentasi. Hal tersebut berguna untuk membantu bidang bisnis dalam membuat keputusan.
Sedangkan Data Scientist atau Ilmuan Data melakuan proses analisa data menggunakan berbagai
cara dan alogaritma untuk menemukan solusi dari suatu permasalahan yang rumit. Data Scientist
akan merancang dan membangun proses baru untuk pemodelan dan produksi data menggunakan
prototipe, algoritma, model prediksi, dan analisis khusus. Data Scientist dapat mengatur set data
yang tidak terdefinisi menggunakan beberapa alat pada saat yang bersamaan dan membangun
sistem dan kerangka kerja otomasi mereka sendiri. Secara singkat, Data Scientist akan
menganalisis, memproses, dan memodelkan data kemudian menafsirkan hasilnya untuk
membuat rencana yang dapat ditindaklanjuti bagi perusahaan dan organisasi lain. Drew Conway,
pakar ilmu data dan pendiri Alluvium, membuat diagram venn yang menggambarkan Data
Scientist sebagai seseorang yang memiliki pengetahuan matematika dan statistik, keterampilan
peretasan, dan keahlian substantif. Sedangkan untuk Data Analysist diperlukan keahlian seperti
halnya keahlian dalam matematika dan statistik. Selain itu juga perlu bagi keduanya untuk
mempelajari alat yang diperlukan untuk membuat keputusan dengan angka. Dilansir dari
mastersindatascience.org terdapat beberapa ketrampilan yang diperlukan untuk menjadi data
scientist: Kemampuan Pemrograman Visualisasi dan pelaporan data menggunakan beberapa
aplikasi Analsis resiko Analisis statistik dan Matematika Penguasaan machine learning
Komunikasi yang efektif Keterampilan Rekayasa Perangkat Lunak Penelitian Penguasaan data
mining, yakni proses menemukan sebuah pengetahuan yang berharga dan tersembunyi dengan
menganalisis sejumlah data yang disimpan dalam gudang data. Pemahaman Platform Data Besar
Penyimpanan dan struktur data Selain itu pengetahuan kalkulus dan aljabar dari lulusan
matematika penting untuk mendukung pekerjaan Data Scientist. Selain itu, sarjana dari jurusan
statistik pun lebih disukai karena ilmu statistika diperlukan untuk menentukan algoritma yang
akan digunakan, dan mengembangkan software machine learning. Selain itu, kualitas
kemampuan berpikir kritis juga diperlukan untuk menganalisa data dan memecahkan masalah.
Hal itu perlu ditambah dengan kemampuan komunikasi yang baik guna menyampaikan ide
kompleks kepada stakeholder yang tidak paham soal teknis. Selain itu, Anda juga akan banyak
berinteraksi dengan ahli data dan juga pebisnis. Selain dari kualitas-kualitas itu juga perlu
pemahaman yang kuat tentang beberapa alat yang sekiranya dapat membatu pekerjaan data
scientist: Statistik dan pembelajaran mesin. Bahasa pengkodean seperti SAS, R atau Python.
Database seperti MySQL dan Postgres. Visualisasi data dan teknologi pelaporan. Aplikasi
Hadoop dan MapReducE Dilansir dari prakerja.go.id, Data Scientist merupakan profesi yang saat
ini cukup diminati di Indonesia berkaitan dengan big data yang makin berkembang. Keahlian
Data Scientist dibutuhkan di startup hingga perusahaan besar, gaji Data Scientist dimulai dari
kisaran Rp4 juta sampai Rp8 juta. Namun, ada pula perusahaan yang menjanjikan gaji Data
Scientist hingga Rp28 juta. Untuk berkarier menjadi Data Scientist di Indonesia maka bisa lebih
dahulu menjadi Data Analyst. Setelahnya diperlukan pelatihan tambahan untuk memahami
machine learning dan deep learning. Dengan skill set yang lengkap, maka bukan tidak mungkin
menjadi Data Scientist di masa mendatang.

Data is a new currency. Kalimat tersebut akhir-akhir ini santer diperbincangkan dikaitkan
dengan gerakan transformasi digital, mengisyaratkan betapa bernilainya data bagi sebuah
langkah strategis bisnis. Namun jika dirunut, urgensi pemanfaatan data sebenarnya tak lain
muncul dari komoditas data itu sendiri sebagai objek digital. Saat ini data bisa diperoleh dari
mana saja, dari perangkat komputasi yang sehari-hari digunakan, dari penggunaan komputer,
ponsel, kamera, hingga perangkat berbasis sensor yang terpasang di dinding.

Tren tersebut menghadirkan dua jabatan baru dalam lini teknologi, yakni Data Engineer dan Data
Scientist. Data Engineer memiliki tugas utama untuk menemukan cara dalam menangkap,
mengumpulkan dan memadatkan sebuah data dari sumbernya. Domain pekerjaannya termasuk
membangun dan mengelola sebuah sistem yang menjadi produsen data, hingga data-data tersebut
berada di dalam sebuah tempat untuk dikelola lebih lanjut.

Sedangkan Data Scientist memiliki misi mengolah data tersebut menghasilkan pengetahuan
yang bernilai dan dapat diaplikasikan. Sehingga dapat disimpulkan, bahwa Data Science
merupakan sebuah proses memproduksi pengetahuan data (data insight). Adapun karakteristik
dari pengetahuan data tersebut ialah sebuah simpulan yang dapat dilaksanakan (actionable),
memberikan simpulan atau prediksi yang dapat dimengerti untuk beragam kebutuhan spesifik.

Dasar ilmu Data Science

Untuk menjadi seorang Data Scientist diperlukan pemahaman tentang beberapa hal, yakni
kemampuan analisis menggunakan konsep matematika dan statistik, kemampuan pemrograman
untuk pengolahan data, dan pemahaman pada subjek spesifik pada bidang bisnis yang digeluti.
Karena menangani kebutuhan di bidang tertentu, Data Scientist sering direpresentasikan pada
sebuah istilah yang lebih rinci, misalnya ad-tech data scientist, political analyst, head of banking
digital analyst dan sebagainya.

Terkait dengan dasar ilmu, matematika menjadi penting sebagai landasan metode deterministik
untuk operasi perhitungan kuantitatif (numerik). Aplikasinya dalam Data Science untuk
membangun model keputusan, menyusun prakiraan hingga memperhitungkan sebuah prediksi.
Memahami dasar kalkulus dan aljabar linier menjadi porsi wajib saat seseorang ingin memulai
terjun ke dalam analisis data. Karena keduanya teori paling fundamental yang akan banyak
digunakan.

Pemahaman tentang metode statistik digunakan sebagian besar untuk memahami tentang makna
data, termasuk untuk melakukan validasi hipotesis dari pengetahuan yang dihasilkan data,
menyimulasikan skenario, hingga membantu penyusunan sebuah prakiraan. Wajib hukumnya
untuk memahami ilmu statistik dasar. Dalam penerapannya, konsep matematika dan statistika
berjalan beriringan, mengharuskan pengelolanya jeli menyisipkan formula sesuai dengan
pemrosesan data yang dibutuhkan.

Kemampuan pemrograman atau coding–setidaknya tingkat dasar—juga harus dimiliki. Kode

yang dituliskan nantinya akan digunakan untuk menginstruksikan komputer dalam
memanipulasi, menganalisis dan memvisualisasikan data yang telah dirapikan.

Kegiatan mengelola data

Sumber data sangat beragam, implikasinya data yang dihimpun juga bervariasi. Dalam standar
data digital, setidaknya tipikal data tersebut terbagi ke dalam tiga jenis:
 1. Data terstruktur (structured data); yakni data yang sudah dikelola, diproses dan dimanipulasi
dalam RDBMS (Relational Database Management System). Misalnya data tabel hasil masukan
formulir pendaftaran di sebuah layanan web.
2. Data tidak terstruktur (unscructured data); yakni berupa data mentah yang baru didapat dari
beragam jenis aktivitas dan belum disesuaikan ke dalam format basis data. Misalnya berkas
video yang didapat dari kamera.
3. Data semi terstruktur (semistructured data); yakni berupa data yang memiliki struktur, misalnya
berupa tag, akan tetapi belum sepenuhnya terstruktur dalam sistem basis data. Misalnya data
yang memiliki keseragaman tag, namun memiliki isian yang berbeda didasarkan pada
karakteristik pengisi.

Data Engineer bertugas untuk menyelaraskan ketiga tipe data tersebut, termasuk di dalamnya
mengatur skema data. Mengapa merapikan data tersebut menjadi tugas penting? Ketika berbicara
data dengan ukuran yang sangat besar, efisiensi perlu dilakukan dalam arsitektur data, tujuannya
untuk memberikan kemudahan sekaligus kecepatan dalam pengelolaan serta akses data. Bagi
Data Scientist, salah satu validitas data juga ditentukan dari seberapa relevan sumber data yang
dimiliki, baik sebagai pelengkap ataupun pembanding.

Sementara itu, kegiatan analisis data dilakukan dengan bahasa Python atau R untuk
memanipulasi data dan menggunakan SQL untuk melakukan query (termasuk membuat relasi)
pada sumber data. Coding dilakukan kala sumber data telah menjadi ekstensi berkas yang siap
diolah. Secara universal terdapat empat format umum yang dapat diterima hampir semua sistem
analisis data, yaitu Comma-separated Values (CSV), Scripts (*.py, *.ipynb, *.r dll), berkas
aplikasi tabel (*.xlsx, *.qgs dll), dan berkas pemrograman web (*.html, *.svg dll).

Keluaran Data Science untuk siapa saja

Salah satu keterampilan yang wajib dimiliki seorang Data Scientist adalah komunikasi, baik
secara lisan atau tertulis. Seluruh pengetahuan dari data harus disampaikan dengan baik, tanpa
kemampuan komunikasi yang benar, maka kebutuhan tersebut tidak akan tersalurkan.
Kemampuan komunikasi termasuk di dalamnya menjelaskan berbagai unsur yang kompleks
sehingga mudah untuk dipahami oleh pengguna data, termasuk ketika membuat visualisasi grafik
dan narasi.

Perkembangan operasi bisnis digital yang sangat masif saat ini pada akhirnya membuat Data
Science tidak hanya dilaksanakan oleh perusahaan besar saja, akan tetapi startup digital pun
memandangnya sebagai sebuah bagian penting untuk mendampingi keputusan strategi bisnis.
Sebagai ilustrasi, beberapa contoh penerapan Data Science dalam bisnis di antaranya untuk
membantu sistem bisnis secara keseluruhan, tujuannya untuk meningkatkan ROI (Return of
Investment) dengan memberikan gambaran tentang aktivitas terukur.
8 Skill Utama Syarat Menjadi Seorang Data
Scientist
Penulis

Advernesia

Skill Utama Syarat Menjadi Seorang Data Scientist

Dilansir dari tulisan Bernard Marr di majalah Forbes bahwa jumlah praktisi yang mempunyai
skill untuk melakukan analisis dan melakukan interpretasi data dalam jumlah besar (Big Data)
tidak mencukupi untuk permintaan industri sekarang ini (edisi 6 Juli 2015). Kemudian menurut
Udacity, berdasarkan kebutuhan industri dalam studi kasusnya (Google, amazon, dan IBM)
terdapat 8 skill utama untuk menjadi seorang data scientist adalah sebagai berikut,

Baca juga: Apa itu Data Science dan Data Scientist Menurut Para Ahli?

1. Penggunaan Software/Pemrograman Dasar

Untuk melakukan analisis data diperlukan minimal kemampuan penggunaan software

(tools) seperti SPSS, Microsoft Excel dan SAS. Kemampuan penggunaan bahasa
pemrograman untuk membantu melakukan analisis data seperti MATLAB dan R
 tentunya menjadi nilai tambah yang menjadi pertimbangan industri memilih kandidat
data scientist. Berlanjut terhadap kemampuan penggunaan SQL (Structured Query
Language), erat kaitannya dengan data dalam jumlah besar.

2. Pengetahuan Statistika Dasar

Pengetahuan statistika dasar merupakan kemampuan vital seorang data scientist yaitu
statistika deskriptif, maksimum likelihood, statistika matematika, dan lain-lain.
Sebagaimana ilmu statistika diperlukan oleh semua industri maupun instansi untuk
melakukan analisis data. Tentunya hal ini menjadi syarat utama untuk pemilihan kandidat
data scientist.
3. Machine Learning

Machine learning merupakan kemampuan yang berkaitan dengan teknik mengajarkan

komputer berfikir seperti manusia atau binatang. Machine learning digunakan dalam
berbagai bidang misalnya computational finance, image processing, computer vision,
computational biology, energy production, automotive, aerospace, manufacturing dan
natural language processing.
4. Kalkulus dan Aljabar Linear

Kalkulus dan aljabar linear merupakan cabang pertama dari ilmu matematika. Kalkulus
merupakan ilmu tentang limit. Pemahaman mengenai fungsi, integral, turunan,
trigonometri dalam ilmu kalkulus adalah skill dasar seorang data scientist. Begitu pula
pemahaman mengenai aljabar linear, mempunyai andil yang besar untuk melakukan
perhitungan komputasi menggunakan algoritma tertentu terhadap data.
5. Data Munging

Data munging adalah kemampuan untuk merapikan data baik berdasarkan struktur, tipe
data dan lain-lain. Seringkali data yang dianalisis tidak teratur atau bahkan menjadi lebih
berantakan, oleh karenanya diperlukan kemampuan untuk menangani ketidaksempurnaan
data. Misalnya mencakup format tanggal yang tidak sesuai, string yang tidak lengkap,
dan nilai yang hilang.
6. Visualisasi dan Mengkomunikasikan Data

Kemampuan untuk melakukan visualisasi data berkaitan dengan membentuk plot dari
data baik dalam bentuk 2D maupun 3D serta penjelasan lain yang perlu ditambahkan.
Kemudian kemampuan mengkomunikasikan data menjadi hal yang luar biasa penting
untuk perusahaan yang pertama kali menggunakan data scientist sebagai tenaga ahli yang
membantu pengambilan keputusan. Dalam kondisi seperti ini data scientist dituntut untuk
bisa menjelaskan data dan visualisasinya dengan baik di depan umum, baik secara teknis
maupun non-teknis untuk mempermudah pemahaman pendengar.
7. Software Engineering

Kemampuan software engineering diperlukan untuk membangun suatu sistem yang dapat
mempermudah pekerjaan suatu perusahaan. Tentunya dengan memiliki kemampuan
software engineering akan menjadi nilai tambah untuk diterima sebagai data scientist
suatu perusahaan. Misalnya kemampuan membuat software desktop, website maupun
mobile apps. Dengan memiliki kemampuan software engineering, data scientist
diharapkan mampu membuat sistem yang mempermudah pengelolaan data suatu
perusahaan, terutama untuk perusahaan yang pertama menggunakan tenaga data scientist.
8. Berfikir Seperti Seorang Data Scientist

Untuk menjadi seorang data scientist, kandidat yang dipilih suatu perusahaan adalah
kandidat yang berfikir sebagai data scientist. Berfikir seperti data scientist berarti
kandidat yang dipilih merupakan pemecah masalah atau problem solver yang
menggunakan metode-metode serta alasannya untuk memecahkan permasalahan
perusahaan. Selain itu data scientist harus mampu berkomunikasi dengan profesi lainnya
seperti software engineer dan manager perusahaan.
 Baca juga tutorial lainnya: Daftar Isi Data Science

Itulah 8 skill utama untuk menjadi seorang data scientist menurut Udacity. Tentunya kemampuan
terkait terhadap suatu perusahaan tertentu di luar 8 skill di atas, dapat menjadi nilai tambah
sebagai kandidat data scientist yang terpilih.