Hasanuddin Ali

Sering kali ketika kita berbicara tentang data science, kita terlalu sibuk membicarakan alat dan metodologi, tetapi kurang membicarakan tentang paradigma dan cara berpikir yang harus dimiliki data scientist.

Kemampuan teknis seperti statistik, machine learning, visualisasi data, hingga kecerdasan buatan penting, tetapi seiring waktu saya meyakini bahwa kemampuan teknis bukanlah bagian paling mendasar dari seorang data scientist.

Perangkat lunak dapat berubah. Bahasa pemrograman bisa berganti. Algoritma yang hari ini dianggap mutakhir beberapa tahun lagi mungkin digantikan oleh metode yang lebih baik. Bahkan sekarang, dengan perkembangan artificial intelligence, sebagian pekerjaan teknis yang dulu membutuhkan kemampuan khusus dapat dilakukan jauh lebih cepat.
Yang jauh lebih sulit berubah adalah cara seseorang melihat masalah.

Data science, dalam pengertian yang lebih dalam, sebenarnya merupakan sebuah disiplin berpikir. Ia melatih seseorang untuk tidak mudah percaya pada sebuah angka, tidak tergesa-gesa membuat kesimpulan, nyaman menghadapi ketidakpastian, dan bersedia mengubah pandangannya ketika bukti mengatakan sesuatu yang berbeda.

Karena itu bagi saya, setidaknya ada lima cara berpikir yang menjadi fondasi seorang data scientist.

Question Everything
Cara berpikir pertama adalah kebiasaan mempertanyakan sesuatu.

Kita hidup dalam masyarakat yang semakin dipenuhi angka. Pertumbuhan ekonomi sekian persen. Tingkat kepuasan sekian persen. Elektabilitas sekian persen. Penjualan tumbuh sekian persen. Sebuah produk digunakan sekian juta orang.
Angka mempunyai kekuatan besar. Begitu sesuatu disampaikan dalam bentuk statistik, kita cenderung menganggapnya lebih objektif.

Padahal angka tidak pernah lahir dari ruang kosong. Di balik sebuah angka selalu ada definisi, metode pengukuran, pemilihan responden, periode waktu, serta berbagai keputusan mengenai apa yang dimasukkan dan tidak dimasukkan dalam perhitungan.

Mempertanyakan data bukan berarti tidak mempercayai data. Justru itulah cara menghormati data. Angka baru menjadi pengetahuan ketika kita memahami bagaimana angka tersebut terbentuk.
Yang lebih sulit adalah menerapkan kebiasaan ini terhadap analisis kita sendiri. Kita mudah kritis terhadap angka yang disampaikan orang lain, tetapi jauh lebih sulit mempertanyakan hasil analisis yang kebetulan sesuai dengan apa yang sejak awal kita yakini.

Think Probabilistically
Cara berpikir kedua adalah melihat dunia secara probabilistik.

Manusia menyukai kepastian. Kita lebih nyaman dengan jawaban tegas: benar atau salah, berhasil atau gagal, akan terjadi atau tidak terjadi.

Padahal realitas jarang bekerja seperti itu. Banyak fenomena sosial, ekonomi, bisnis, maupun perilaku manusia lebih tepat dipahami sebagai kemungkinan.

Seseorang dengan karakteristik tertentu mungkin mempunyai kecenderungan lebih besar untuk membeli sebuah produk. Tetapi bukan berarti ia pasti membeli. Sebuah kebijakan mungkin meningkatkan peluang keberhasilan, tetapi tidak menjamin hasil yang sama dalam semua situasi.

Begitu pula sebuah model prediksi.
Model yang mengatakan seseorang mempunyai peluang 80 persen melakukan sesuatu tidak sedang mengatakan bahwa peristiwa itu pasti terjadi. Masih ada kemungkinan 20 persen bahwa kenyataannya berbeda.

Berpikir probabilistik membuat seseorang lebih berhati-hati.

Kita menjadi terbiasa mengatakan “kemungkinannya lebih besar”, “bukti mengarah ke sana”, atau “berdasarkan informasi yang tersedia” daripada terburu-buru menggunakan kata “pasti”.
Sikap semacam ini kadang dianggap kurang meyakinkan. Padahal justru lebih dekat dengan cara realitas bekerja.
Hampir semua keputusan penting dibuat dalam kondisi informasi yang tidak lengkap. Kita tidak pernah mengetahui seluruh faktor yang memengaruhi masa depan.

Karena itu, kualitas keputusan bukan ditentukan oleh kemampuan menghilangkan ketidakpastian, melainkan kemampuan mengambil keputusan secara rasional di tengah ketidakpastian.

Separate Signal From Noise
Cara berpikir ketiga adalah kemampuan membedakan sinyal dari noise.

Kita hidup dalam masa ketika informasi datang tanpa henti. Setiap hari muncul tren baru, survei baru, video viral, perubahan harga, fenomena konsumen, dan berbagai angka yang segera beredar melalui media sosial.

Masalahnya, tidak semua perubahan adalah tren.

Satu video yang dilihat jutaan orang belum tentu mencerminkan perubahan perilaku masyarakat. Satu hasil survei belum tentu menunjukkan perubahan generasi. Lonjakan penjualan selama satu bulan belum tentu berarti pasar sedang tumbuh.

Dalam data selalu ada variasi yang terjadi secara alami.

Sebuah angka dapat naik hari ini dan turun besok tanpa ada perubahan fundamental apa pun. Dalam statistika hal semacam ini mudah dipahami sebagai fluktuasi. Dalam kehidupan sehari-hari, kita justru sering keliru membacanya sebagai tren.

Karena itu, seorang data scientist harus mempunyai kesabaran melihat pola.
Apakah fenomena tersebut terjadi berulang kali? Apakah konsisten dalam periode yang cukup panjang? Apakah muncul pada kelompok yang berbeda? Apakah sumber data lain menunjukkan arah yang sama?

Sinyal biasanya mempunyai konsistensi. Noise sering kali spektakuler, tetapi berumur pendek.

Masalahnya, ruang publik justru cenderung menyukai noise. Hal-hal ekstrem lebih mudah menjadi berita. Kasus unik lebih menarik untuk dibicarakan daripada pola yang tumbuh perlahan selama bertahun-tahun.
Di sinilah cara berpikir berbasis data menjadi penting: jangan terlalu cepat menganggap sebuah kejadian sebagai perubahan besar sebelum melihat polanya.

Look For Alternative Explanations
Cara berpikir keempat adalah tidak terlalu cepat jatuh cinta pada satu penjelasan.

Manusia adalah makhluk yang menyukai cerita. Begitu melihat dua peristiwa terjadi bersamaan, kita segera menghubungkannya.

Penjualan turun setelah harga dinaikkan. Kesimpulannya, harga menjadi penyebab. Produktivitas meningkat setelah sistem baru diterapkan. Kesimpulannya, sistem baru berhasil.

Kemungkinan itu memang ada. Tetapi mungkin juga ada penjelasan lain. Penjualan bisa turun karena pesaing baru masuk. Produktivitas bisa meningkat karena permintaan pasar sedang tinggi. Tingkat kemiskinan sebuah wilayah dapat dipengaruhi pendidikan, struktur ekonomi, urbanisasi, akses infrastruktur, dan banyak faktor lain secara bersamaan.
Karena itu, salah satu pertanyaan favorit seorang data scientist seharusnya sangat sederhana, Apakah ada penjelasan lain. Pertanyaan tersebut memaksa kita keluar dari narasi pertama yang terasa masuk akal.

Dalam statistika kita mengenal ungkapan bahwa korelasi tidak selalu berarti kausalitas. Dua variabel dapat bergerak bersama tanpa yang satu menyebabkan yang lain. Bahkan keduanya mungkin sama-sama dipengaruhi oleh faktor ketiga yang mungkin tidak kita perhatikan.
Kebiasaan mencari penjelasan alternatif membuat seseorang lebih rendah hati terhadap kesimpulannya sendiri.

Realitas hampir selalu lebih kompleks daripada sekadar satu grafik tertentu.

Let Evidence Change Your Mind
Cara berpikir kelima mungkin yang paling sulit, bersedia mengubah pendapat.

Kita semua mempunyai kecenderungan mencari informasi yang menguatkan apa yang sudah kita yakini.

Ketika percaya sebuah produk bagus, kita lebih mudah mengingat ulasan positifnya. Ketika mempunyai pandangan tertentu terhadap sebuah persoalan, kita lebih mudah menerima data yang mendukung pandangan itu.

Kecenderungan ini dikenal sebagai confirmation bias.

Dengan jumlah data yang sangat besar, hampir selalu ada angka yang dapat digunakan untuk mendukung sebuah cerita. Kita bisa memilih periode tertentu, kelompok tertentu, indikator tertentu, atau visualisasi tertentu untuk menghasilkan kesan yang kita inginkan.

Di sinilah integritas seorang data scientist diuji.

Apakah kita menggunakan data untuk memahami kenyataan, atau menggunakan data untuk membenarkan apa yang sejak awal ingin kita percaya?
Keduanya terlihat mirip, tetapi secara prinsip sangat berbeda.

Dalam pendekatan pertama, kita mempunyai hipotesis lalu mengujinya terhadap bukti. Dalam pendekatan kedua, kita mempunyai kesimpulan lalu mencari bukti yang mendukungnya.

Ilmu pengetahuan dibangun dari pendekatan pertama.

Karena itu, kemampuan mengubah pendapat ketika bukti berubah bukan merupakan tanda kelemahan. Justru itu tanda kedewasaan intelektual.

Seseorang boleh mempunyai hipotesis yang sangat kuat. Ia boleh yakin terhadap sebuah teori. Tetapi ketika data menunjukkan sesuatu yang berbeda secara konsisten, ia harus bersedia memperbaiki pandangannya.

Prinsip ini semakin penting di tengah ruang publik yang semakin terpolarisasi.
Tidak jarang kita melihat kesimpulan dibuat terlebih dahulu, baru data dicari kemudian. Statistik akhirnya tidak digunakan untuk memahami realitas, melainkan menjadi amunisi dalam perdebatan.

Padahal salah satu pelajaran paling berharga dari data science justru sebaliknya.

Data mengajarkan kerendahan hati.
Semakin banyak kita mempelajari sebuah persoalan, sering kali semakin sadar kita bahwa realitas jauh lebih kompleks daripada yang kita bayangkan.

Dengan demikian, pendidikan data science seharusnya tidak berhenti pada keterampilan teknis. Seseorang bisa sangat pandai membuat model regresi, clustering, machine learning, atau visualisasi yang indah, tetapi belum tentu mempunyai cara berpikir seorang data scientist.

Terlebih di era kecerdasan buatan.
Kode semakin mudah dibuat. Algoritma semakin mudah digunakan. Analisis dasar dapat dihasilkan hanya dengan memberikan instruksi kepada mesin.

Justru ketika kemampuan teknis semakin mudah diakses, kualitas berpikir manusia menjadi semakin penting.

Tugas seorang data scientist bukan sekadar membuat data berbicara. Yang jauh lebih penting adalah memastikan bahwa kita tidak memaksa data untuk mengatakan apa yang sejak awal ingin kita dengar.