Dengan perkembangan teknologi saat ini telah membuka peluang yang sangat besar dalam membangun pengetahuan dibidangekonomi. Salah satu potensi besar yang diterapkan dalam ekonomi adalah data analis. Perkembangan dalam dunia ekonomi dapat dirasakan di era modern ini seperti berkembangnya teknologi tekonologi dalam dunia otomotif yaitu Electric Vehicle. Perkembangan teknologi dalam dunia ekonomi sangat erat kaitannya dengan perkembangan analisis data, oleh karena itu untuk memberi wawasan untuk mahasiswa ITERA khususnya mahasiswa sains data, prodi sains data mengadakan stadium general dengan tema “How to Think as Data Analyst”  yang dilaksanakan pada tanggal 25 November  2023 pada jam 09.00 – 11.30 WIB dengan platform zoom secara daring dengan narasumber bapak Bayu Imadul Bilad, selaku Senior Associate Data Analyst di Traveloka.

Dalam stadium general ini dihadiri Koordinator Program studi Sains Data ITERA yaitu Tirta Setiawan,S.Pd.,M.Si., dan memberikan sambutan dan menyampaikan ucapan terimakasih kepada bapak Bayu Imadul Bilad selaku narsumber dan berharap dalam kegitan stadium general dengan tema “How to Think as Data Analyst”, mahasisawa sains data ITERA dapat menimba ilmu dari professional dalam bidang ekonomi, sehingga mahasiswa dapat mendapatkan referensi terkait bidang analisis data pada sektor ekonomi.  

Dalam penjabarannya bapak Bayu Imadul Bilad adalah lulusan Universitas Lampung dan Institut Teknologi Bandung yang bergelut dalam bidang analisis data sejak tahun 2021 dan merupakan Senior Associate Data Analyst Traveloka. Dalam pemaparan Pak Bayu menyampaikan terkait analisis data dan peranannya dalam bidang ekonomi serta menceritakan pengalaman, tips dan trik, contoh penerapan analisis data dalam permasalahan dunia nyata dengan pengalaman pelaku di dunia professional bidang analisis data, dalam pemaparan stadium general ini dipaparkan korelasi dan keterkaitan antara analisis data dan ekonomi serta peluang masa depan yang dapat dikembangkan. Dalam acara ini mahasiwa sangat aktif bertanya terkait tema stadium general dengan dipandu oleh moderator yaitu Mika Alvionita Sitinjak, M.Si. dengan pertanyaan berkaitan dengan korelasi, penerapan dan hubungan analisis data dalam ekonomi serta penerapannya pada industri Electric Vehicle, antusias mahasiswa disambut baik oleh narasumber Bapak Bayu Imadul Bilad, dengan jawaban sesuai praktek analisis data yang dimiliki.   

Agenda stadium general dengan tema “How to Think as Data Analyst” yang dilakukan oleh Program Studi Sains Data ITERA dengan bertujuan membuka wawasan mahasiswa sains data ITERA khususnya terkait dengan peran sains data terkhusus analisis data untuk bidang ekonomi sehingga mahasiswa dapat mengembangkan keterampilan terkait dengan analisis data bidang ekonomi, dengan pengalaman narasumber yang berprofesi sebagai Senior Associate Analyst dari sebuah perusahaan teknologi di bidang ekonomi, diharapkan mahasiswa khususnya mahasiswa data sains ITERA termotivasi membangun ide untuk bergelut di bidang ekonomi baik di sumatera maupun Indonesia.  Kegiatan ini berjalan dengan adanya partisipasi dan kerjasama yang baik dari semua pihak. Semoga dengan adanya kegiatan ini, dapat memberikan manfaat secara nyata.

Hai Sobat Data!

Pernah kepikiran ga si, kok bisa yaa tiap kita menggunakan jasa e-commerce seperti Shope, Toko Pedia dan Bukalapak maka kita bakal disuguhkan berbagai rekomendasi dari berbagai macam barang, kok rasanya pihak E-commerce bisa tahu betul kebutuhan serta preference kita?

Ternyata ini rahasianya, platform-platform E-commerce ini menggunakan Sains Data dalam analisis pelanggannya lho. Hal ini dilakukan untuk menaikkan daya beli para pelanggan dengan cara menampilkan produk-produk yang mungkin akan mereka suka sehingga penjualan dapat ditingkatkan, untuk melakukan ini tentu saja dibutuhkan algoritma- algoritma yang baik, beberapa contohnya adalah algoritma Content Based Filtering atau pemfilteran berbasis konten di mana sistem ini memberikan rekomendasi untuk menebak apa yang disukai pengguna berdasarkan aktivitas pengguna tersebut. selain itu terdapat pula algoritma collaborative filtering yang bekerja dengan cara mencari kemiripan antar penggunanya.

Nah jika tadi kita sudah membahas mengenai algoritma-algoritma yang digunakan, maka kali ini kita akan mencari tahu motif-motif utama yang biasanya digunakan dalam sistem rekomendasi itu sendiri, diantaranya adalah :
1. Cross Sell yaitu teknik penjualan dengan mendorong konsumen membeli produk tambahan yang masih relevan denga napa yang telah dibeli sebelumnya. Contohnya Ketika kamu membeli laptop maka kamu juga akan diberikan rekomendasi tas laptop.
2. Upselling merupakan teknik marketing yang membujuk para pelanggan untuk membeli benda serupa namun dengan kualitas yang lebih baik, sebagai contoh jika kamu mencari sebuah tas maka sistem rekomendasi akan menampilkan berbagai tas lain yang lebih baik dari tas pilihanmu sebelumnya.

Selain dari sistem rekomendasi, sains data juga dapat digunakan dalam analisis garansi produk, hal ini dapat memberikan info kepada pihak E-commerce mengenai masa pakai produk,masalah serta pengembalian produk, dengan info ini pihak E-commerce dan penjual dapat melakukan pengawasan terhadap produk-produk mereka.

Ga sampai disini aja, ilmu sains data juga banyak diterapkan pada penetuan harga dari berbagai produk lho, agar pihak penjual dapat menentukan harga yang tepat yaitu tidak terlalu mahal ataupun murah maka mereka membutuhkan informasi mengenai hal-hal yang mempengaruhi harga dari produk tersebut, sebagai contoh harga yang diberikan oleh pesaing, kemampuan konsumen dalam membayar produk dan lain sebagainya.

Nah daritadi kita sudah membahas mengenai cara sains data meningkatkan penjualan pada platform E-commerce dengan menggunakan sistem rekomendasi, analisis garansi serta analisis harga, eitss tapi bukan itu aja lho kegunaan dari ilmu sains data, sains data juga dapat digunakan untuk mencegah Perusahaan E-commerce dalam mengalami kerugian, gimana caranya? Yuk kita Simak !

E-commerce juga menghadapi masalah dalam terhadap kejahatan digital, ada banyak pihak yang dapat melakukan penipuan pada transaksi yang terjadi di E-commerce, karena itu diperlukan sistem yang dapat mendeteksi adanya kegiatan-kegiatan tidak wajar yang dilakukan para pengguna. Dalam hal ini, sains data berguna karena dapat mengumpulkan informasi-informasi dari para pengguna serta melakukan pengamatan dan analisis pada kegiatan yang dilakukan, dengan adanya analisis ini maka pihak platform E-commerce akan menerima pemberitahuan mengenai kecurigaan penipuan dan dapat mencegah aktivitas ini. CNN Indonesia menyebutkan bahwa hingga September 2021, terdapat 115.756 kasus penipuan yang dilakukan baik melalui E-commerce ataupun media sosial, hal ini tentunya merugikan pihak pembeli maupun reputasi dari E-Commerce itu sendiri. Dengan sains data maka hal-hal seperti ini dapat ditekan jumlahnya.

Selain menghindarkan platform E-commerce dari kemungkinan-kemungkinan penipuan yang dapat terjadi, ilmu sains data juga dapat digunakan dalam manajemen inventaris, manajemen inventaris yang lebih baik akan dapat menampilkan perkiraan dari produk-produk yang akan memiliki angka penjualan tinggi dan juga rendah, hal ini membantu Perusahaan dalam mengambil keputusan, produk mana yang dapat dijadikan investasi dalam jangka waktu pendek dan Panjang. Dengan adanya sistem ini maka pihak E-commerce akan dapat menghindari kerugian dari investasi tak berbuah sehingga dapat mencapai keuntungan yang terbaik.

Dari tulisan diatas dapat kita simpulkan bahwa sains data berperan penting dalam keberlangsungan E-commerce, contohnya seperti penerapan ilmu sains data dalams sistem rekomendasi, penentuan harga, penetuan garansi serta pencegahan penipuan dan analisis investasi.

Lalu apakah E-commerce tetap dapat berjalan tanpa sains data? Tentu bisa, namun pengalaman pengguna tidak akan sebaik saat adanya penerapan sains data, selain itu pihak E-commerce akan kesulitan dalam meningkatkan penjualan dan menghindari kerugian.

Hallo, Sobat Data!

Kalian pasti sudah tidak asing lagi sama machine learning kan? Hari ini kita bakal bahas lebih lanjut materi machine learning ini, yuk baca sampai akhir.

Machine learning merupakan salah satu metode yang digunakan dalam bidang sains data untuk membangun model prediktif, menggali pola dalam data, dan mengoptimalkan proses pengambilan keputusan. Machine learning ini dapat digunakan dalam pengolahan data yang besar atau biasa disebut Big Data, nah bagaimana sih keterkaitan antara keduanya ? kumpulan data yang besar ini perlu diproses terlebih dahulu agar kemudian dapat menghasilkan informasi yang dibutuhkan, nah machine learning yang berbasis algoritma akan menghasilkan Big Data akan lebih akurat sehingga tujuan utama yaitu memperoleh informasi yang baik akan dapat dilakukan.

Machine learning terbagi dalam dua kategori, yaitu supervised learning dan unsupervised learning. Supervised learning adalah pendekatan machine learning yang menggunakan dataset yang sudah diberi label sebelumnya. Dengan menggunakan data-data yang dengan label ini, diharapkan algoritma dapat melakukan klasifikasi dan prediksi dengan akurat. Contoh dari penggunaan supervised learning ini adalah saat melakukan classification dan regression.Selanjutnya, unsupervised learning adalah penggunaan algoritma yang bertujuan untuk menganalisis data yang diberikan secara langsung tanpa adanya bantuan dari manusia. Unsupervised learning paling banyak digunakan dalam clustering.

Mari kita Simak lebih lanjut perbedaan diantara supervised vs unsupervised machine learning. Label data, pada supervised learning digunakan data yang sebelumnya telah berlabel sedangkan unsupervised learning menggunakan data yang tidak berlabel. Klasifikasi data, Ketika menggunakan supervised learning data akan terklasifikasi berdasarkan dataset pada saat training, namun unsupervised learning akan melakukan klasifikasi data yang diberikan secara langsung. Penggunaan, supervised learning biasanya digunakan dalam klasifikasi dan regresi sedangkan unsupervised learning lebih banyak digunakan dalam kasus clustering. Kelas, pada supervised learning jumlah kelasnya diketahui secara pasti sedangkan pada unsupervised learning tidak diketahui jumlah kelasnya. Algoritma, supervised learning menggunakan algoritma Regresi logistik, Decision tree, KNN dan Support Vektor Machine sedangkan unsupervised learning menggunakan algoritma K-means Clustering, Hierarchical Clustering dan Apriori Algorithm.

Setelah memahami perbedaan diantara Supervised dan Unsupervised Machine Learning, selanjutnya mari kita bahas lebih lanjut langkah-langkah dalam penerapan Machine Learning. Permasalahan Persiapan Data Memilih Algoritma Melatih Model Uji Model Pada tahap pertama, dilakukan identifikasi masalah yang ingin diselesaikan menggunakan machine learning. Persiapan Data, data yang akan digunakan perlu melewati proses pembersihan terlebih dahulu sebelum digunakan untuk eksplorasi dan analisis. Memilih Algoritma, pemilihan algoritma yang tepat penting untuk mendapatkan model machine learning yang akurat. Melatih model, tahap selanjutnya adalah melakukan pelatihan serta evaluasi model sampai mendapatkan tingkat akurasi yang tinggi. Uji Model, tahap terakhir adalah uji model menggunakan data test.

Sekian pembahasan kita pada kali ini, sampai jumpa kembali!

Desa Triharjo, 24 Agustus 2023 – Dosen dan mahasiswa Program Studi Sains Data Jurusan Sains Institut Teknologi Sumatera (ITERA) telah melakukan Pelatihan Visualisasi Data Sumber Daya Alam dengan menggunakan Google Data Studio di Desa Triharjo, Kecamatan Merbau Mataram, Kabupaten Lampung Selatan pada tanggal 24 Agustus 2023. Kegiatan ini merupakan bagian dari program Pengabdian kepada Masyarakat (PKM) yang bertujuan untuk mengimplementasikan tridharma perguruan tinggi serta membantu Desa Triharjo dalam menciptakan visualisasi data yang berguna untuk pemantauan harian tim kantor, deteksi kesalahan, dan tujuan lainnya.

Pembukaan acara ini diawali dengan sambutan hangat dari Ketua Program Studi, Tirta Setiawan, yang mewakili ITERA, yang menggarisbawahi potensi besar yang dimiliki oleh Desa Triharjo di bidang pertanian dan pengolahan data. Dalam konteks digitalisasi data yang semakin berkembang di Indonesia, Desa Triharjo juga dapat memanfaatkan sumber daya tersebut. ITERA sendiri memiliki visi untuk mendukung program desa binaan seperti yang terlihat dalam kegiatan ini. Perwakilan dari Desa Triharjo juga memberikan sambutan yang antusias, menyambut baik kegiatan ini dalam upaya untuk memajukan Desa Triharjo menjadi lebih baik. Melalui pelatihan Visualisasi Data ini, mereka berharap dapat mengambil banyak manfaat yang dapat diterapkan untuk kepentingan desa.

Materi pertama dalam pelatihan ini mencakup tahapan-tahapan dalam memvisualisasikan data sumber daya alam di Desa Triharjo menggunakan Google Data Studio. Visualisasi data adalah representasi data dalam bentuk visual seperti grafik batang, garis, presentasi, dan peta, yang bertujuan untuk memudahkan pemahaman dan komunikasi yang jelas dan efisien. Data sumber daya alam Desa Triharjo yang digunakan dalam pelatihan ini mencakup data hasil pertanian dan data lahan pertanian dari tahun 2018 hingga 2022, dengan rencana ekspansi data untuk beberapa dusun. Penting untuk dicatat bahwa data yang digunakan dalam pelatihan adalah data dummy. Google Data Studio (Looker) adalah alat yang digunakan dalam pelatihan ini, dan peserta pelatihan hanya memerlukan laptop, akses internet, dan akses ke Google Drive. Proses pelatihan dimulai dengan impor data, eksplorasi data, hingga pemahaman data dan visualisasi. Kehadiran dan antusiasme Perangkat Desa Triharjo dalam kegiatan sosialisasi ini menunjukkan betapa pentingnya pelatihan visualisasi data tersebut. Mereka menyambut pelatihan ini dengan harapan bahwa keterampilan yang mereka peroleh akan memberikan manfaat yang besar untuk pengelolaan dan perkembangan Desa Triharjo.

Pada tanggal 23 Agustus 2023, Tim Big Data Challenge (BDC) dari Sains Data ITERA yang terdiri dari anggota Lanang Almasyuri (120450109), Shanaz Salsabila Ishak (120450065), dan Dimas Wahyu Saputro (120450081) telah berhasil meraih juara sebagai “The Most Scalable Algorithm” dalam ajang Statistika Ria dan Festival Sains Data Tahun 2023 di Universitas Brawijaya. Kompetisi Big Data Challenge sendiri adalah kompetisi yang menuntut pemecahan masalah nyata menggunakan pendekatan analitik, matematis, dan statistis berdasarkan data. Dalam kompetisi ini, tim berhasil mencapai solusi yang paling dapat diukur dalam hal skalabilitas algoritma.

Proses perjalanan Tim Mahasiswa Sains Data ITERA pada tahap final ini dimulai sejak tanggal 20 Agustus 2023 yaitu registrasi tim. Pada tanggal 21 Agustus 2023, tim menguji kode yang telah mereka kembangkan selama tahap penyisihan. Pada tanggal 22 Agustus 2023, mereka mempresentasikan hasil kerja mereka, termasuk penyampaian insight yang didapat dalam kasus yang telah dipecahkan yakni penilaian kesesuaian peraturan perundang-undangan di Indonesia. Kemudian, pada tanggal 23 Agustus 2023, adalah acara puncak dari Satria Data 2023 yakni penutupan dan penyerahan penghargaan.

Dalam kompetisi Statistika Ria dan Festival Sains Data Tahun 2023, terdapat total 203 tim peserta yang berasal dari berbagai kampus di Indonesia. Setelah melalui proses seleksi, 20 tim berhasil masuk ke babak semifinal, dan akhirnya hanya 12 tim yang berhasil mencapai babak final. Pencapaian yang diraih oleh tim Mahasiswa Sains Data ITERA dapat diatribusikan kepada algoritma yang mereka kembangkan, yang menunjukkan daya tarik dan kemampuan dalam mengelola data teks dalam skala besar menggunakan metode TF-IDF. Selain itu, kinerja algoritma pada tahap penyisihan dalam menangani kasus deteksi plat kendaraan yang berhasil menghasilkan output dalam waktu 7 detik untuk 100 gambar.

Prestasi yang diraih oleh tim tidak hanya merupakan pencapaian pribadi, tetapi juga menjadi inspirasi bagi mahasiswa mahasiswa Sains Data ITERA lainnya untuk terus mengasah kemampuan mereka dalam analisis data, statistika, dan machine learning. Dengan pencapaian semacam ini, diharapkan kan muncul lebih banyak solusi inovatif untuk mengatasi berbagai tantangan dunia nyata melalui pendekatan berbasis data. Selamat sekali lagi kepada Tim A Big Data Challenge dari Sains Data ITERA atas prestasi yang luar biasa, dan semoga pencapaian ini menjadi tonggak awal menuju kesuksesan yang lebih besar di masa depan.

Berikut ini rencana mata kuliah yang bisa di ambil di semester 3, 5, dan 7:

Wajib Semester 3

Wajib Semester 5

Terarah Semester 7

Pilihan Semester 3, 5, dan 7

Silahkan bertanya di kolom komentar jika bingung yah 🙂