top of page
Gambar penulisCornellius Yudha Wijaya

Melihat Data Science Sebagai Ramalan

Melihat Data Science Sebagai Ramalan
Photo by Shreyas shah on Unsplash

Sejak kecil, saya sangat tertarik pada literatur budaya dan mitologi. Salah satu bagian yang menarik minat saya adalah seni ramalan. Karena itu, dan selama masa karantina ini, saya memutuskan untuk mengikuti kursus online yang disediakan oleh Harvard tentang ramalan dan sistemnya di sini.


Dari yang saya pelajari, setiap budaya memiliki caranya sendiri untuk memprediksi apa yang akan terjadi di masa depan dan bagaimana hal itu bisa menjadi kenyataan berdasarkan data yang dikumpulkan oleh peramal. Ya, ramalan sebenarnya terkait erat dengan data, serta data science itu sendiri. Dalam artikel ini, saya akan mencoba menjelaskan dengan cara yang singkat dan intuitif bagaimana ramalan bisa dikaitkan dengan Data Science.


Artikel ini hanya murni opini dan untuk tujuan pengetahuan. Tidak ada maksud untuk merendahkan praktik yang sudah ada sejak lama.

Sistem Prediksi Ramalan

Menurut Wikipedia, ramalan adalah upaya untuk mendapatkan wawasan tentang sebuah pertanyaan atau situasi melalui proses atau ritual okultisme yang distandarisasi. Dalam istilah yang lebih sederhana, ini berarti mengetahui masa depan melalui proses ritual.

Ramalan itu sendiri dapat diklasifikasikan ke dalam empat kategori besar tergantung pada input mereka, yaitu:


  • Random (Acak); Di mana input berasal dari proses acak, kadang-kadang juga disebut “spontan”. Misalnya, Roman Bird Augury di mana kita harus menunggu burung bertindak secara spontan sebelum membuat prediksi.

  • Randomized (Diacak); Di mana input diinisiasi oleh manusia untuk menghasilkan hasil acak. Misalnya, melempar dadu.

  • Human; Di mana input datang langsung dari peramal atau input yang tidak dapat ditafsirkan oleh siapa pun kecuali peramal; Misalnya, orang yang kerasukan.

  • Non-Random; Di mana input berasal dari pengamatan proses yang konsisten, dapat diulang, dapat diprediksi, dan dapat diketahui; Misalnya, mengukur posisi planet.

Beberapa istilah yang digunakan di atas cukup familiar di bidang Data Science. Ada input dan tergantung pada input apa yang kita miliki; jenis ritual juga akan berbeda untuk menghasilkan prediksi.


Ritual ini bisa dibayangkan sebagai sistem prediksi atau “algoritma” untuk membuat prediksi. Dalam “algoritma” ini kita bisa mengatakan bahwa jika kita memasukkan “A” ke dalam “algoritma”, prediksi “B”; misalnya, jika Jupiter berada di posisi 273,87 derajat, prediksi kehidupan asmara masa depan. Namun, seperti halnya model prediksi apa pun dalam Data Science; “algoritma” tidak sesederhana itu.


Yang menarik dalam sistem ramalan, sistem itu sendiri terkadang sedikit tidak diketahui oleh orang luar; karena ada mistisisme yang terlibat atau sistem itu sendiri terlalu kompleks atau bahkan hilang ditelan sejarah. Dalam model prediksi Data Science, bayangkan ini sebagai model Deep Learning. Ini melibatkan banyak metode statistik, sistemnya sangat kompleks, dan setelah pelatihan kita tidak tahu apa yang terjadi di dalamnya karena sifat stokastiknya. Kita hanya memiliki model Deep Learning, kita memasukkan data yang diamati, dan prediksinya keluar. Ajaib!


Ilustrasi di atas hanyalah contoh yang agak dipaksakan bahwa Ramalan mirip dengan model prediksi. Ini bisa terasa lebih alami jika kita menggunakan contoh sistem prediksi step-by-step.

Framework Ramalan

1. Observasi

Langkah pertama dalam ramalan atau di bidang Data Science selalu dimulai dengan observasi data. Ini adalah input yang kita berikan ke dalam “algoritma” untuk menghasilkan prediksi. Seperti saat kita memberikan data ke model machine learning. Dalam sebuah teori, semakin banyak observasi yang kita miliki, semakin kuat prediksinya.

2. Prediksi

Setelah mengamati data, kita memiliki hasil prediksi. Kejelasan prediksi itu bervariasi tergantung pada sistemnya. Sementara beberapa prediksi bersifat kaku, seperti posisi planet; banyak sistem prediksi menggabungkan ambiguitas, baik sengaja atau tidak, dengan interpretasi yang berbeda.


Pada Data Science, ambil contoh cluster analysis dalam unsupervised learning; hasilnya berupa cluster yang diprediksi oleh sistem bahwa mereka harus dikelompokkan bersama. Bagaimana kita menginterpretasikan hasilnya terserah kita sebagai Data Scientist.

3. Evaluasi Akurasi dan Membuat Perubahan

Apakah hasil prediksi itu benar? Seperti halnya proses data science, ini adalah pertanyaan sederhana tetapi sebenarnya merupakan masalah yang jauh lebih kompleks untuk dievaluasi. Kedengarannya aneh jika ramalan perlu mengevaluasi akurasi prediksinya, tetapi hal ini sering terjadi meskipun tidak selalu.


Faktanya, banyak sistem ramalan bisa berkembang untuk memiliki akurasi yang lebih baik tetapi sering kali kita tidak akan mengetahuinya karena sejarah hilang dimakan waktu.


Misalnya Haruspicy dari zaman Mesopotamia kuno. Haruspicy adalah ritual di mana mereka mengorbankan seekor domba dan mengekstrak hati untuk mendapatkan prediksi. Karena kecil kemungkinannya bahwa prediksi tersebut selalu menghasilkan hasil positif atau negatif 100%, seorang peramal mungkin melakukan ritual lain untuk mengurangi ketidakpastian. Dalam hal ini, peramal bertindak seperti ilmuwan modern dengan melakukan eksperimen tambahan untuk memperoleh data.


Berdasarkan akurasi metode tersebut, beberapa perubahan dalam sistem dapat dilakukan. Seperti halnya kita para data scientist yang bermain dengan hyperparameter, beberapa perubahan dalam sistem pasti akan terjadi. Namun, seperti yang saya sebutkan sebelumnya; seringkali kita tidak akan tahu apa yang berubah dalam sistem prediksi karena hilang dimakan waktu.

Pentingnya Ramalan dalam Data Science

Saya telah menjelaskan bahwa ramalan dan data science memiliki kemiripan dalam beberapa hal. Faktanya, banyak ramalan didasarkan pada data. Kartu tarot, astrologi, roman bird augury, dll. semuanya didasarkan pada data dan pola yang terjadi.


Ramalan tampak tidak ilmiah tetapi itu adalah kebutuhan manusia. Ramalan memberi tahu kita tentang apa yang akan terjadi di masa depan atau menafsirkan apa yang terjadi di masa lalu dan kemudian di masa kini. Apa yang terjadi hari ini berbeda dari apa yang terjadi kemarin dan akan berbeda dari apa yang akan terjadi besok. Oleh karena itu, pentingnya ramalan dalam membantu kita memahami sifat komunitas, sifat masyarakat, peristiwa yang terjadi, dan tentu saja, bagaimana cara menghadapi peristiwa tersebut.


Di zaman modern, tentu saja kita akan menghilangkan pendapat yang muncul dari metode yang tidak ilmiah. Prediksi berdasarkan dadu atau hati domba akan dianggap bohong dan tidak dianggap serius. Karena itu, kita sebagai manusia membutuhkan lebih banyak alasan untuk percaya bahwa prediksi kita memiliki dasar yang benar. Di sinilah kita mengembangkan banyak alasan ilmiah hanya untuk memastikan bahwa apa yang akan terjadi dapat diprediksi dalam beberapa hal. Data Scientist adalah salah satu peran yang bertugas untuk melakukan itu.


Kita mencoba analisis dan membuat model berdasarkan data untuk memprediksi apa yang akan terjadi berdasarkan input. Sama seperti ramalan.


Ini berbeda dari peramal yang kita konsultasikan untuk kehidupan sehari-hari kita, tetapi kebutuhan akan Data Scientist berasal dari rasa ingin tahu manusia yang sudah ada sejak lama untuk mengetahui apa yang akan terjadi di masa depan. Oleh karena itu, apa yang kita lakukan sebagai data scientist tidak jauh berbeda dari peramal.

Kesimpulan

Artikel ini hanya murni pendapat saya dan bagaimana saya melihat ramalan sehubungan dengan apa yang saya lakukan sebagai Data Scientist. Sebagai manusia keinginan kita untuk mengetahui pola dan apa yang akan terjadi di masa depan tidak pernah berubah; hanya caranya saja yang berbeda.

8 tampilan0 komentar

Postingan Terkait

Lihat Semua

Comments


bottom of page