A Chit-Chat About Data Science Foundations

Data science merupakan bidang yang sangat popular saat ini, banyak yang membicarakannya dan banyak yang ingin tahu apa yang di lakukan seorang yang berprofesi sebagai data scientist di dunia nyata.

Unutk mebih dekat dengan dunia data science maka ada baiknya kita mengetahui apa itu data science.

Apa itu Data Science?

Data Science merupakan kumpulan interaksi dari berbagai bidang ilmu seperti matematika, statistik, ilmu komputer,pemrograman untuk menghasilkan insight dari data yang terstruktur maupun yang tidak terstruktur lalu digunakan dalam pengambilan keputusan.

Data Science Life Cycle singkatnya sebagai berikut:

Source: https://www.datacamp.com/blog/what-is-data-science-the-definitive-guide

Intinya, proses data science berjalan dari

Mengumpulkan data → menyiapkan data dengan membersihkan data → eksplorasi data dengan visualisasi awal → experiment dengan pendetakan modeling → evaluasi model yang dihasilkan → deployment berupa finishing code , pembuatan laporan dan penjelasan dari insight yang di dapat lalu tahap akhir deliverable yakni mengkomunikasikan hasil kepada client .

Selanjutnya akan ada feedback dari client dan siklus ini terus berulang untuk menghasilkan insight dan solusi yang relevan.

Apa peran dan manfaat Data Science di kehidupan nyata?

Peran dan manfaat data science di bidang apa pun dapat berupa pengambilan keputusan. Pengambilan keputusan tidak akan dilakukan hanya dengan mengandalkan perasaan namu semua dilakukan dengan lebih tepat karena berbasis data.

Data science unggul di karenakan banyak hal yakni :

• Mengolah data yang sangat besar dan tadinya susah untuk dipahami menjadi insight yang padu yang dapat di jadikan dasar pengambilan keputusan.
• Mampu menemukan pola yang tidak terlihat secara kasat mata, diolah sehingga mudah untuk diamati dan di mengerti.
• Mampu membuat prediksi ataupun rekomendasi yang dapat langsung dipakai oleh bisnis dalam pengembangan usahanya dan masih banyak lainnya.

Contoh implementasi Data Science di dunia nyata?

Salah satu contoh penerapan data science yang pernah saya alami yaitu di bidang retail, membuat product recommendation sederhana yang bisa mengakomodir kebutuhan bisnis.

Ada beberapa pendekatan yang bisa dipakai:

1. Behavior-based recommendation → mencari kemiripan perilaku antar customer untuk menyarankan produk yang relevan
2. Substitution recommendation → merekomendasikan produk pengganti dengan tetap memperhatikan willingness to pay (kesediaan bayar) dari customer.
3. Popularity-based recommendation → memberikan rekomendasi produk yang populer di area atau lokasi tertentu dari konsumen agar sesuai dengan tren lokal.

Algoritma apa yang digunakan saat itu?

Dalam membangun sistem rekomendasi produk, ada beberapa algoritma yang bisa dipakai, misalnya:

• Hamming Distance → untuk mengukur kemiripan antar produk atau profil customer.
• FP-Growth → untuk menemukan frequent itemset (produk yang sering dibeli bersama).
• LightFM → library machine learning yang mendukung collaborative filtering + content-based recommendation, cocok untuk data retail dengan banyak variasi produk.

Data science bukan hanya teori semata, tapi nyata dapat dipakai dalam mendorong bisnis retail lebih maju,dapat meningkatkan penjualan, menjaga loyalitas customer, dan bisnis dapat tetap berkompetisi sehat dengan para kompetitornya.

Apakah ada alasan kenapa memilih mendalami data science?

Perjalananku hingga memilih data science sebagai profesi ini bukan sesuatu yang instan dan mudah. Awalnya sebagai anak SMA biasa yang tidak pernah bergelut dengan dunia coding dan algoritma, akupun tidak tahu apa guna dari coding ini dan kenapa terlihat begitu sulit di pahami. Namun berjalannya waktu, aku mulai tertarik melihat contoh yang ada di dunia nyata dan apa saja yang bisa di selesaikan oleh bidang ini. Ternyata bidang ini memberikan kesempatan layaknya lautan untuk belajar, berkembang serta bekerja yang memberikan dampak besar serta luas.

Ada beberapa alasan utama kenapa akhirnya aku memilih jalur ini. Salah satunya rasa ingin tahu yang cukup tinggi. Bidang ini mengkombinasikan antara logika, matematika,algoritma, bussiness knowledge dan lainnya serta kreatifitas dari pelakunya yang tidak hanya membuat model machine learning namun harus bisa menyederhanakan semua yang terlihat susah di mengerti itu menjadi sebuah pemahaman yang mudah dan berdampak nyata pada dunia bisnis, kesehatan,agriculture,dunia transportasi logistik dan lainnya. Latar belakang pendidikan juga cukup berpengaruh dalam mengenal bidang ini, setidaknya one step ahead untuk bisa mantap memilih jalan ini sebagai bagian dari jalan hidup yang dipilih dan di lewati dengan suka cita.

Dunia data selalu bergerak cepat dan tidak dapat diduga. Profesi data science menjadi sangat menggiurkan karena ada saja teknologi baru, framework baru, pendekatan baru yang menarik untuk di pelajari. Profesi ini memberikan pengalaman yang tidak pernah membosankan.

Apakah ada tools yang menarik yang dapat digunakan dalam penerapan ilmu di data science?

Hal menarik dari data science ada banyak tools dan platform yang bisa kita pelajari. Salah satu tools/platform untuk big data analytics & geospatial analytics adalah **HEAVY.AI. Tool ini berbasis GPU (Graphics Processing Unit)** awalnya dibuat untuk mengolah grafis (render gambar/video, gaming, 3D).

HEAVY.AI menggunakan GPU accelerator yang mampu memproses miliaran baris data secara real-time, sehingga query SQL, visualisasi, maupun analisis mendalam bisa berjalan jauh lebih cepat. Tool ini memberikan kemudakan dalam berpindah antar tool lainnya yang terintegrasi. Dengan kata lain **HEAVY.AI merupakan kombinasi antara database (HeavyDB) + dashboard (Immerse) + integrasi Python untuk data science** dalam satu ekosistem.

Komponen Penting dalam Data Science Foundation HEAVY.AI

• Ibis : API Python untuk menulis query dengan gaya ekspresi Python, tanpa harus menulis SQL manual.
• Altair: library visualisasi berbasis Python yang bisa langsung dipakai dengan hasil query dari Ibis.
• Prophet : library machine learning dari Facebook/Meta untuk melakukan forecasting time series (peramalan).
• Prefect : tools untuk mengatur workflow analitik maupun pipeline data yang ada.
• Remote Backend Compiler (RBC) : memungkinkan membuat User Defined Functions (UDF) di Python yang bisa dieksekusi langsung di server HEAVY.AI.
• RAPIDS/cuDF : library GPU dari NVIDIA untuk data frame dan analisis machine learning skala besar.

Contoh cara koneksi dan detail langkah bisa di baca lebih lanjut di https://docs.heavy.ai/python-data-science/omnisci-data-science-foundation