Data Science Lifecycle

Banyak orang mengira data science itu soal angka, grafik, dan kecerdasan buatan. Padahal, di dunia nyata, data science justru sering dimulai dari kebingungan.

Datanya belum ada.

Kami tidak pernah mencatat.

Selama ini jalan saja.

Kalimat-kalimat ini sangat umum terdengar, terutama dari UMKM, sekolah, masjid, kampung, hingga organisasi kecil. Dan itu bukan kesalahan.

Data Science Itu Sebenarnya Apa?

Secara sederhana, data science adalah cara berpikir untuk mengambil keputusan berdasarkan fakta, bukan sekadar perasaan atau tebakan. Bukan langsung:

pakai AI

pakai coding

pakai rumus rumit

Tetapi dimulai dari memahami masalah kehidupan nyata.

Kenapa Tidak Semua Orang Punya Data?

Karena dalam kehidupan sehari-hari, orang sibuk menjalani aktivitas, bukan mencatatnya. Petani fokus ke sawah. Pedagang fokus jualan. Pengurus masjid fokus kegiatan. Mereka sebenarnya punya banyak informasi, tapi:

tidak tertulis

tidak rapi

tidak disadari sebagai data

Di sinilah peran data science dimulai.

Tahapan Data Science

Bayangkan data science seperti proses berpikir bertahap, bukan proses komputer.

1. Memahami Masalah (Business Understanding)

Tahap ini hanya bertanya:

Masalah apa yang sedang terjadi?

Kenapa ini penting?

Kalau masalah ini selesai, dampaknya apa?

Contoh:

“Kenapa donasi masjid menurun?”\

“Kenapa hasil panen tidak stabil?”

Di tahap ini belum butuh data apa pun.

2. Memahami Kondisi Nyata (Data Understanding)

Kalau sudah tahu masalahnya, barulah kita bertanya:

Fakta apa yang sebenarnya terjadi?

Kebiasaan apa yang berulang setiap hari?

Kapan kondisi paling baik dan paling buruk?

Walaupun belum ada catatan, cerita dan pengalaman sudah termasuk pemahaman awal data.

3. Mulai Mencatat Hal Sederhana (Data Preparation)

Karena data belum ada, maka langkah paling masuk akal adalah:

mulai mencatat dari sekarang, secara sederhana

Tidak perlu aplikasi mahal. Cukup:

buku tulis

catatan di HP

Google Form

Yang dicatat pun tidak banyak, misalnya:

tanggal

jumlah

kejadian penting

Sedikit tapi konsisten jauh lebih berharga.

4. Mencari Pola (Modeling)

Setelah data terkumpul beberapa minggu, barulah muncul pertanyaan seperti:

Kapan paling sering terjadi?

Apa yang sering berulang?

Kondisi apa yang selalu muncul sebelum masalah terjadi?

Ini bukan sulap.\ Ini hanya melihat kebiasaan yang berulang.

5. Mengecek Masuk Akal atau Tidak (Evaluation)

Pola yang ditemukan perlu ditanya ulang:

Masuk akal atau tidak?

Bisa dipakai ambil keputusan atau tidak?

Kalau tidak masuk akal, tidak apa-apa. Artinya kita belajar, lalu memperbaiki cara mencatat atau memahami masalah.

6. Dipraktikkan di Dunia Nyata (Deployment)

Tahap terakhir bukan laporan atau grafik, tapi tindakan nyata:

ubah kebiasaan

perbaiki jadwal

atur ulang strategi

Kalau berhasil, lanjutkan. Kalau belum, ulangi lagi dari awal.

Hal Penting yang Sering Disalahpahami

Banyak orang gagal memahami data science karena:

terlalu cepat ingin pakai AI

terlalu fokus ke tools

lupa bahwa manusia adalah sumber data utama

Padahal:

Data science lebih banyak soal bertanya dengan benar, bukan menghitung dengan cepat.

Penutup

Data science bukan ilmu untuk orang pintar saja. Ia adalah cara berpikir yang rapi dan jujur terhadap kenyataan. Kalau hari ini belum punya data, itu bukan masalah. Masalahnya justru kalau tidak mau mulai mencatat dan memahami. Karena data science yang paling berguna adalah: