‹ Daftar slide
Pertemuan 1: Pengantar Data Science & Ekosistem Data
Data Science
Pertemuan 1
CPMK-1
Pengantar Data Science & Ekosistem Data
Definisi · Posisi dalam Bisnis · CRISP-DM · Peran & Karir
Program Studi Bisnis Digital · 150 menit
Agenda Pertemuan 1
Bagian A · 60 menit
- Apa itu Data Science?
- Posisi DS dalam ekosistem bisnis
- DS vs BI vs ML vs AI
Bagian B · 60 menit
- Proses CRISP-DM: 6 fase
- Studi kasus e-commerce Indonesia
- Tools & ekosistem kerja
Bagian C · 20 menit
- Karir data di Indonesia
- Rangkuman & tugas
Break
- 10 menit di tengah sesi
- Q&A sepanjang pertemuan
Tujuan Pembelajaran
01
Mendefinisikan data science dan menjelaskan posisinya dalam pengambilan keputusan bisnis digital
02
Menjelaskan 6 fase proses CRISP-DM dan menerapkannya pada kasus bisnis nyata di Indonesia
03
Membedakan peran data scientist, data engineer, dan data analyst serta jalur karir masing-masing
Sub-CPMK 1 · Mendukung CPMK-1 & CPMK-4
Data Science
Disiplin Ilmu Baru
Perpaduan statistika, ilmu komputer, dan domain bisnis
Apa Itu Data Science?
Definisi kerja: Data Science adalah disiplin interdisipliner yang menggunakan metode ilmiah, proses, algoritma, dan sistem untuk mengekstrak pengetahuan dan wawasan dari data terstruktur maupun tidak terstruktur, guna mendukung pengambilan keputusan bisnis.
Tiga pilar utama
- Statistika & Matematika — fondasi analitik, inferensi, probabilitas
- Ilmu Komputer — pemrograman, algoritma, infrastruktur data
- Domain Bisnis — konteks masalah, interpretasi, keputusan
Output utama DS
- Insight dari pola data historis
- Model prediktif untuk masa depan
- Rekomendasi berbasis bukti (evidence-based)
- Otomasi keputusan rutin
Posisi Data Science dalam Bisnis
Dari operasional harian hingga keputusan strategis
| Level Keputusan | Pertanyaan Bisnis | Peran DS | Contoh Indonesia |
|---|---|---|---|
| Operasional | Apa yang terjadi sekarang? | Dashboard & monitoring real-time | Pantau stok gudang Tokopedia tiap menit |
| Taktis | Mengapa hal ini terjadi? | Analisis akar masalah (root cause) | Analisis penyebab lonjakan return barang Shopee |
| Strategis | Apa yang akan terjadi? | Model prediktif & skenario | Proyeksi permintaan Harbolnas 12.12 Lazada |
| Inovatif | Apa yang harus kita lakukan? | Rekomendasi & optimasi | Sistem rekomendasi produk GoTo/Tokopedia |
DS vs BI vs ML vs AI: Apa Bedanya?
| Bidang | Fokus Utama | Data | Output | Contoh Tools |
|---|---|---|---|---|
| Business Intelligence (BI) | Pelaporan historis, deskriptif | Terstruktur, SQL | Dashboard, laporan | Power BI, Tableau, Looker |
| Data Science (DS) | Analitik prediktif, eksperimen | Terstruktur + tidak terstruktur | Model, insight, rekomendasi | Python, R, Jupyter |
| Machine Learning (ML) | Algoritma belajar dari data | Skala besar, beragam format | Model prediktif otomatis | scikit-learn, TensorFlow, PyTorch |
| Artificial Intelligence (AI) | Kecerdasan mesin secara luas | Semua jenis | Keputusan otonom, generasi konten | GPT, Gemini, LLaMA |
ML adalah subset AI; DS mencakup ML namun lebih luas (termasuk engineering data & komunikasi bisnis)
Proses CRISP-DM
Kerangka Kerja Standar
Cross-Industry Standard Process for Data Mining
CRISP-DM: Enam Fase
- 1. Business Understanding — Definisikan tujuan bisnis & rumusan masalah
- 2. Data Understanding — Kumpulkan & eksplorasi data awal (EDA)
- 3. Data Preparation — Bersihkan, transformasi, integrasi fitur
- 4. Modeling — Pilih & latih algoritma, tuning hyperparameter
- 5. Evaluation — Uji performa model vs tujuan bisnis
- 6. Deployment — Implementasikan model ke sistem produksi
Proses ini bersifat iteratif — sering kembali ke fase sebelumnya. Fase 3 (Data Preparation) umumnya menghabiskan ~60-80% waktu proyek.
CRISP-DM: Fase 1–3 Detail
| Fase | Aktivitas Utama | Output | Contoh: Churn Pelanggan Telkomsel |
|---|---|---|---|
| 1. Business Understanding | Wawancara stakeholder, definisi KPI, rancang kriteria sukses | Project charter, definisi masalah terukur | "Prediksi pelanggan yang akan berhenti berlangganan dalam 30 hari ke depan dengan akurasi >80%" |
| 2. Data Understanding | Inventarisasi sumber data, EDA, profil kualitas data | Data quality report, hipotesis awal | Data usage internet 12 bulan, riwayat pembayaran, log keluhan CS — identifikasi missing values |
| 3. Data Preparation | Imputasi missing values, encoding kategorikal, feature engineering, normalisasi | Dataset siap modeling (clean dataset) | Buat fitur "rasio penggunaan bulan ini vs rata-rata 6 bulan", encode region menjadi variabel dummy |
CRISP-DM: Fase 4–6 Detail
| Fase | Aktivitas Utama | Output | Contoh: Churn Pelanggan Telkomsel |
|---|---|---|---|
| 4. Modeling | Pilih algoritma, split train/test, latih model, hyperparameter tuning | Model terpilih + dokumentasi performa | Uji Random Forest, XGBoost, Logistic Regression — pilih XGBoost (AUC ~0.87 pada data validasi) |
| 5. Evaluation | Uji vs data holdout, analisis confusion matrix, uji bisnis (ROI intervensi) | Go/no-go decision untuk deployment | Precision 79%, Recall 83% — apakah biaya intervensi lebih rendah dari nilai pelanggan hilang? |
| 6. Deployment | Integrasikan ke sistem, jadwalkan retrain model, monitoring drift | Model live di produksi + SLA monitoring | Skor churn dikirim ke CRM tiap malam — CS call pelanggan berisiko tinggi dengan penawaran retensi |
Ekosistem Peran
& Karir Data
Siapa mengerjakan apa dalam tim data?
Data Scientist vs Engineer vs Analyst
| Dimensi | Data Analyst | Data Scientist | Data Engineer |
|---|---|---|---|
| Fokus | Analisis & visualisasi data historis | Model prediktif & eksperimen | Infrastruktur & pipeline data |
| Pertanyaan | "Apa yang sudah terjadi?" | "Apa yang akan terjadi?" | "Bagaimana data sampai ke sana?" |
| Skills utama | SQL, Excel, Power BI/Tableau | Python/R, statistika, ML | SQL, Python, Spark, Kafka, cloud |
| Output | Dashboard, laporan, insight | Model, rekomendasi, eksperimen A/B | Data warehouse, ETL pipeline |
| Gaji (IDR, ~2025) | Rp 7–15 juta/bulan | Rp 12–35 juta/bulan | Rp 10–30 juta/bulan |
~Estimasi pasar Indonesia berdasarkan laporan Glints, Jobstreet, LinkedIn 2024–2025 — bervariasi per perusahaan & pengalaman
Ekosistem Tools Data Science
Bahasa Pemrograman
- Python — paling populer (pandas, scikit-learn, PyTorch)
- R — unggul statistika & akademik
- SQL — wajib untuk semua peran
Platform & Cloud
- Google Colab (gratis, cloud)
- Jupyter Notebook (lokal)
- AWS/GCP/Azure (enterprise)
Visualisasi
- Matplotlib & Seaborn (Python)
- Plotly (interaktif)
- Tableau / Power BI (BI)
Machine Learning
- scikit-learn (klasik ML)
- XGBoost / LightGBM (boosting)
- TensorFlow / PyTorch (deep learning)
Data Engineering
- Apache Spark (big data)
- Apache Kafka (streaming)
- dbt (transformasi SQL modern)
MLOps & Deployment
- MLflow (tracking eksperimen)
- Docker & Kubernetes
- FastAPI (serving model)
Karir Data di Perusahaan Indonesia
| Perusahaan | Industri | Contoh Penggunaan Data Science | Peran Dominan |
|---|---|---|---|
| Tokopedia / GoTo | E-commerce & Super-app | Rekomendasi produk, deteksi fraud, dynamic pricing | DS + DE + DA |
| Gojek | Super-app & logistik | Optimasi rute driver, prediksi surge pricing, churn user | DS + DE |
| BCA Digital / Blu | Perbankan digital | Credit scoring, AML detection, personalisasi produk | DS + DA |
| Grab Indonesia | Ridesharing & fintech | Deteksi kecurangan pengemudi, forecasting demand | DS + DE |
| Bukalapak | E-commerce + O2O | Analisis perilaku warung mitra, prediksi stok | DA + DS |
Alur Data dalam Ekosistem Bisnis
Rangkuman Pertemuan 1
5 Poin Kunci yang Harus Anda Bawa Pulang
- Data Science = Statistika + Ilmu Komputer + Domain Bisnis — ketiganya tidak bisa dipisahkan untuk menghasilkan nilai nyata.
- DS ≠ BI ≠ ML ≠ AI — masing-masing punya fokus, data, dan output berbeda; DS mencakup ML dan lebih luas dari BI.
- CRISP-DM adalah standar proses — 6 fase iteratif; fase Data Preparation menghabiskan ~60–80% waktu proyek nyata.
- Tiga peran utama saling melengkapi — Data Analyst (deskriptif), Data Scientist (prediktif), Data Engineer (infrastruktur).
- Ekosistem data Indonesia sudah matang — Tokopedia, Gojek, BCA Digital, Grab menggunakan DS secara intensif; peluang karir lokal sangat besar.
Tugas & Diskusi
Tugas Mandiri (dikumpulkan P2)
- Pilih satu perusahaan Indonesia (bukan daftar di slide ini) yang Anda tahu menggunakan data untuk keputusan bisnis.
- Identifikasi: jenis data apa yang mereka kumpulkan, dan bagaimana mungkin mereka menggunakannya (perkiraan Anda).
- Tulis 1 halaman A4 (format bebas, submit PDF ke LMS).
Diskusi Kelas (15 menit)
- Menurut Anda, di antara Data Analyst, Data Scientist, dan Data Engineer — peran mana yang paling Anda minati dan mengapa?
- Apa tantangan terbesar Data Science di perusahaan Indonesia menurut Anda?
- Sebutkan satu pertanyaan bisnis di sekitar Anda yang bisa dijawab dengan data.
Pertanyaan & Preview Pertemuan 2
Pertanyaan?
Silakan ajukan pertanyaan tentang materi hari ini. Tidak ada pertanyaan yang terlalu dasar — membangun fondasi yang kokoh jauh lebih penting dari kesan "sudah tahu".
Preview P2: Jenis Data & Sumber Data Bisnis
- Taksonomi jenis data (terstruktur, semi-terstruktur, tidak terstruktur)
- Sumber data bisnis di Indonesia (BPS, OJK, IDX, API publik)
- Kualitas data: dimensi & cara mengukur
- Praktik pertama: eksplorasi dataset publik dengan Python
Pertemuan 2 akan lebih banyak praktik — pastikan Python & Google Colab sudah siap di laptop Anda.