Apa itu Data Science ?
Data science adalah ilmu yang menggabungkan matematika, statisika dengan ilmu komputer dengan tujuan analisa data (data analysis) dari suatu himpunan data baik skala kecil (sampel) maupun besar (populasi) dengan mengaplikasikan algoritma tertentu untuk tujuan menggali data (data mining) dan mendapatkan pola data serta dapat melakukan prediksi data (prediction) dengan cukup akurat yang dapat membantu dalam pengambilan keputusan dan dapat digunakan untuk membuat sistem yang cerdas (AI) yang dapat terus belajar dengan sendirinya (machine learning).
Kemampuan apa yang dibutuhkan ?
- Kemampuan Matematika dan Statistika
- Kemampuan Pemrograman (R, Python, dan lainnya)
- Kemampuan Database dan Query (SQL dan lainnya) dan pengolahan data
- Kemampuan analisa data dan visualisasi data
- Kemampuan pemahaman masalah terkait bisnis atau suatu bidang lainnya
Apa beda Data Science, Data Mining & Machine Learning ?
Data Science melibatkan proses berikut :
- Data Mining adalah proses pengambilan informasi dari pola data dari himpunan data yang sebelumnya tidak diketahui, kadang disebut juga Data Discovery.
Data Mining fokus pada mengekstrak pola menggunakan metode statistik untuk dianalisa dan dapat juga melakukan prediksi. - Machine learning adalah bidang yang merupakan bagian dari Artificial Intelligence (AI) yang digunakan agar sistem komputer secara otomatis dapat belajar dengan sendirinya tanpa diberi instruksi pemrograman dan dapat meningkatkan prediksi yang akurat dan pengunaannya biasanya sifatnya realtime.
Jadi Data Mining dan Machine Learning merupakan bagian dari Data Science
Tujuan Data Science
Menggali data dan memberikan informasi seakurat mungkin yang digunakan untuk :
- Deskripsi yaitu menampilkan pola data untuk dianalisa dan penemuan masalah.
- Prediksi yaitu melakukan prediksi berupa nilai, probabilitas maupun data dan kemudian merekomendasikan hasilnya untuk digunakan sebagai alat bantu pengambil keputusan maupun secara langsung digunakan secara otomatis oleh sistem.
Jenis Pembelajaran Data Science
- Supervised Learning (Prediksi)
Untuk membentuk sistem yang cerdas, sistem harus diberikan pelatihan terlebih dahulu (training) dengan data fakta (labelled training), sistem akan belajar dan membentuk pola data yang ada baru kemudian digunakan untuk melakukan prediksi, proses belajarnya seperti anak murid yang diajarkan oleh guru. - Unsupervised Learning (Deskripsi)
Sistem dapat mengandalkan data yang belum dilatih sebelumnya (unlabelled training) dan dapat membentuk pola data yang sifatnya deskriptif, bukan untuk prediksi. - Reinforced dan Deep Learning (Prediksi)
Sistem belajar dari feedback lingkungan dengan teknik learning yang iteratif (berulang-ulang) dan adaptif (menyesuaikan) seperti cara manusia belajar dengan sendirinya, algoritma digunakan untuk memaksa sistem belajar menemukan nilai optimal dengan coba-coba (trial and error). Teknik pembelajaran menggunakan algoritma Neural Network berlapis yang sangat mirip dengan cara kerja otak manusia dimana neuron-neuron satu sama lain membentuk jaringan neuron yang sangat rumit.
Biasanya digunakan untuk apa ?
Digunakan untuk banyak jenis seperti : Prediksi populasi, cuaca, kondisi pasar, iklan, pendeteksi penipuan, klasifikasi gambar, pola kebiasaan pelanggan, jenis atau karakteristik pelanggan, marketing yang lebih terarah, rekomendasi produk, AI Game, pendeteksi anomali dan masih banyak kegunaan lainnya.
Bagaimana Machine Learning bekerja dan apa bedanya dengan pemrograman tradisional ?
Pemrograman tradisional membutuhkan Data sebagai input dan program yang sudah dibuat untuk menghasilkan output.
Machine Learning hanya membutuhkan Data sebagai input dan contoh output yang diinginkan, dan sistem akan mencari dengan sendirinya program perhitungannya.
Contoh:
Agar mesin dapat belajar, dibutuhkan 2 jenis data yaitu
- Data Training berisi data fakta yang ada
- Data Tes berisi data yang ingin diprediksi
Contoh Algoritma Machine Learning
Algoritma Machine Learning biasanya terbagi menjadi beberapa kelompok :
- Klasifikasi (Classification)
Digunakan untuk melakukan klasifikasi suatu data termasuk dalam suatu kategori tertentu. - Regresi (Regression)
Digunakan untuk melakukan proyeksi nilai berdasarkan pola data yang sudah ada. - Asosiasi (Association)
Digunakan untuk melihat keterkaitan dan hubungan antar data. - Pengelompokan (Clustering)
Digunakan untuk melihat pola pengelompokan data berdasarkan ciri-ciri yang mirip. - Pengurangan Dimensi (Dimensionality Reduction)
Digunakan untuk mengurangi jumlah dimensi yang kompleks menjadi sederhana agar dapat memudahkan dilihat secara visual server digunakan untuk perhitungan yang lebih sederhana. - Reinforced dan Deep Learning
Digunakan untuk membuat sistem berpikir dan memiliki kecerdasan seperti manusia, misalnya bisa membedakan gambar (Computer Vision), bisa membedakan kalimat dan kata (NLP), dan kecerdasan buatan lainnya misalnya seperti ChatBot.
