Senin, Oktober 21
AI

Bahaya! Kurikulum Pendidikan Data Science Di Indonesia Masih Sangat Kurang

Google+ Pinterest LinkedIn Tumblr +

Berkembangnya ilmu pengetahuan dan juga teknologi membuat semakin banyak kemunculan ilmu pengetahuan yang baru. Mungkin tidak semua orang pernah mendengar istilah Data Science. Namun sudah bisa dipastikan hal ini berkaitan dengan data, yaitu pengolahan data.

Baca Artikel Terkait : Bagaimana Peran Data Scientist Pada Dunia Perbankan ?

Kamu bisa dengarkan wawancara tim Techfor.id dengan Taufik Sutanto, CEO Tau Data Indonesia dengan klik tombol play di bawah ini.

Bukan hanya itu saja, data science merupakan gabungan dari beberapa bidang ilmu, seperti bidang IT, Matematika, Statistika, dan sebagainya.

Seperti yang terlihat, fenomena Big Data yang merupakan salah satu penyebab kesuksesan Google. Dengan adanya banyak data yang diperoleh, Google dapat meramalkan keinginan user-nya. Teknologi seperti ini tak mungkin dilewatkan oleh perusahaan maupun industri.

pendidikan data science, kurikulum data science di indonesia masih kurang, data science indonesia

Di Indonesia sendiri data science sudah mulai berkembang dan banyak digunakan di perusahaan atau industri. Tak heran, banyak lowongan untuk posisi ini dan menjadi sebuah peluang besar untuk mengambil profesi ini.

Untuk apa sebenarnya data-data ini? Bagi orang awam, mungkin data tidaklah penting.  Namun tidak dengan perusahaan atau industri maju seperti di saat ini. Semua bersaing untuk mendapatkan data-data sebagai acuan mengetahui kebutuhan pasar. Bagaimana bisa?

Lebih jelasnya, informasi terkait data science, BabaStudio akan langsung bertanya kepada sang ahli yaitu Pak Taufik Susanto yang cukup berpengalaman di bidang ini tentunya.

Pak Taufik, expert-nya saya liat di data science ya?

Saya mengambil S1 di Universitas Indonesia (UI) jurusan Matematika. Tapi di matematika terdapat sub-penjurusan diantaranya statistik, komputasi, murni, operation research,  dan aktuaria. Saat itu saya mengambil dua minor yaitu statistik dan komputasi.

Setelah S1 saya melanjutkan S2 University of New South Wales (UNSW) dengan fokus ke data mining. Setelah itu saya melanjutkan pendidikan riset ke Tohoku University di Jepang dengan fokus ke machine learning.

Terakhir saya melanjutkan pendidikan S3 ke Queensland University of Technology (QUT) dengan topik desertasi data science untuk big data. Jadi dari awal studi di perguruan tinggi sampai akhir saya belajar ilmu data.

Jadi pak, apa perbedaan dari data science, IOT dan big data?

Lebih kurang seperti ini, data science sendiri kaitannya dengan big data itu sebenarnya karena kompleksitas dari pengolahan data yang ada pada zaman sekarang, di mulai dari bentuk datanya yang tidak terstruktur.

Dulu semua data terstruktur (berbentuk table), baik numerik maupun category. Data ini biasanya dapat diolah melalui statistik atau machine learning tanpa hambatan yang berarti.

Tapi saat ini, variasi data sudah bertambah, contoh sederhananya data yang tidak terstruktur. Ditambah lagi dengan permasalahan lain seperti data yang bertambah besar (big data) dan variabel yang bertambah banyak. Sehingga teori-teori yang ada sebelumnya perlu dikembangkan lagi.

Beberapa rumus statistik yang sudah ada dulu sudah tidak bisa dipakai lagi dengan permasalahan yang ada saat ini. Contoh, dulu dalam statistik terdapat rumus tentang signifikansi (p-value) yang apabila digunakan di big data (tanpa modifikasi) maka hasilnya tidak akan relevan.

Selanjutnya kaitannya dengan IoT. Kebetulan saat saya S3 mengambil data science for big data, saat itu tujuan dari penelitian saya adalah menciptakan infrastruktur big data baru yang efisien baik dari segi komputasi maupun biaya. Metode yang saya propose memiliki kaitan dengan IoT.

Sebenarnya jika bercerita tentang IoT dan big data secara umum IoT merupakan pemasok data ke sistem big data. Tetapi, dalam penelitian saya, agak sedikit saya pelintir (modifikasi). Hardware-hardware di IoT itu juga saya digunakan untuk kemudian membantu proses komputasi di data sciencenya (biasa disebut sebagai edge computing).

Secara umum seperti itu tetapi secara detail tentunya lebih dari itu, tapi kurang lebih seperti itu. Karena itu saya tulis di Linked In seperti itu di biodata saya: data science dan big data.

Jadi, menurut Pak Taufik, bagaimana peluang untuk seorang data scientist untuk sekarang dan kedepannya?

Kalau sekarang sepertinya sudah sangat jelas ya, dan itu bisa kita lihat lowongan-lowongan yang ada di banyak perusahaan. Banyak perusahaan mencari seorang data scientist atau pakar artificial intelligence, maupun data engineer; semua yang terkait dengan pengolahan data.

Kenapa saat ini kebutuhannya begitu besar? Karena saat ini (pengolahan data) menjadi penentu kompetisi bisnis antar perusahaan. Saya ilustrasikan seperti Gojek VS Grab, siapa yang kemudian mampu mem-profile customernya, memilih perhitungan harga yang tepat, dan promo yang tepat maka dia akan menjadi pemenangnya.

Karena jika dilihat dari segi service (pelayanan) yang diberikan ke masyarakat,  sebenarnya kurang lebih sama (antara Gojek dan Grab). Yang membedakan hanya keputusan-keputusan bisnis dimana keputusan-keputusan bisnis ini diambil berdasarkan data.

Di masa depan nanti, trend ini minimal sampai 5 tahun kedepan akan sama dengan saat ini. Bahkan mungkin bisa lebih intens lagi. Tapi jika melihat lebih jauh lagi kita tidak pernah tau, apalagi Quantum Computing (QC) kelak mungkin menjadi jamak. Saat ini aplikasi QC sudah mulai muncul, tapi belum jamak di masyarakat. Setidak-tidaknya sampai 5 tahun kedepan prediksi saya kebutuhan Data Science (machine learning dan AI) akan terus meningkat kebutuhannya.

Pak, boleh berikan gambaran mungkin 3 sampai 5 industri apa saja yang berpeluang untuk data science?

Sebenarnya pretty much everything. Pengalaman saya, mulai dari corporate atau industry sampai tingkat pemerintah membutuhkan data science. Seperti kementerian maupun PEMDA seperti yang kita lihat contohnya Smart City di kota-kota besar dan di beberapa kementerian sekarang juga menggunakan teknologi data seperti big data dan data science termasuk IoT.

Kalau di industri, terutama retail seperti Tokopedia, BukaLapak, Blibli dan Lazada kalau tidak mampu untuk mengolah data dengan baik maka akan terjadi collapse (tidak mampu untuk bersaing). Bahkan sampai ke otomotif. Hampir semua industri seperti tourism kita juga lihat kebutuhannya akan data science. Saya justru bingung kalau ditanya perusahaan apa yang tidak terkait dengan data science (data tidak penting bagi perusahaan tersebut). Jangankan perusahaan/industri, institusi pendidikan pun sangat membutuhkan data science.

Apa saja yang menjadi tantangan untuk para data scientist? Yang pernah Pak Taufik hadapi seperti calon data scientist?

Kalau kita lihat iklan lowongan di LinkedIn atau di website-website pencari kerja online. Sering kita melihat lowongan kerja data science; tapi juga kita temukan pola bahwa iklan lowongan tersebut bisa bertahan sampai berbulan-bulan (lama sekali). Artinya mereka terus mencari karena belum mendapatkan orang yang tepat untuk mengisi posisi tersebut (saya memaknainya seperti itu).

Saya berpengalaman menjadi dosen semenjak tahun 2002 (sudah cukup lama). Namun, saya juga punya pengalaman sebagai konsultan di berbagai industri dan pemerintahan.

Jadi sedikit-banyak saya mengenal 2 dunia tersebut (akademis dan industri). Saya memahami kalau ada pembatas yang cukup besar antara kompetensi yang diajarkan di dunia akademis dan kebutuhan di industri.

Nah, tantangan utamanya adalah mengisi batasan (gap) tersebut. Terdapat jarak antara dunia akademis dengan industri. Sayangnya, di sisi akademis sendiri sudah banyak yang megetahui tentang gap ini (dosen-dosen biasanya paham).

Namun ketika merevisi kurikulum, tidak semudah kita menyesuaikan dengan kebutuhan industri. Jadi, ada regulasi atau filasafat akademik yang kemudian menghentikan kita untuk leluasa mengatur kurikulum terutama pada saat akreditasi. Nah, saya pikir inilah kendala utama. Jadi kendala utamanya adalah di sistem pendidikan formal.

Kemudian kendala kedua seperti ini. Kalau pendidikan formal tidak bisa memenuhi kebutuhan industri, kemudian banyak anak muda yang belajar secara otodidak misalnya dari media sosial, dari WhatsApp, Telegram, atau dari tutorial online.

Masalahnya diskusi yang ada ditempat-tempat tersebut mudah hilang dan tertutup dengan diskusi baru jadi kalau ada diskusi yang penting sebelumnya akan tertutup dan hilang, itu yang menjadi kendala dari media-media ini. Tahun ini saya membuat sesuatu untuk mengatasi hal ini.

Di sisi lain sekarang cukup banyak pelatihan-pelatihan data science atau machine learning. Namun training-trainingnya relatif mahal bagi sebagian orang dan juga fragmented.

Maksud saya begini, pelatihan-pelatihan ini tidak memiliki roadmap yang jelas dalam belajar data science.

Jadi, setelah mengikuti pelatihan-pelatihan tersebut peserta bingung, setelah ini akan belajar apa lagi? Atau apakah saya tepat memulai dengan belajar ini? Apakah saya punya dasar yang kuat untuk ini? Terus selanjutnya saya perlu belajar apalagi? dsb.

Mereka tidak mengetahui karena tidak ada roadmap-nya. Nah, itu juga merupakan kendala yang saya lihat ada selama ini. Perusahaan saya (tau-data) rencananya akan menyediakan solusi untuk permasalahan diatas.

Di dalam data science terdapat pemrograman ya? Jadi pemrograman apa yang dibutuhkan dalam data science?

Ini isu menarik juga untuk dibahas (hubungan antara data science dan pemrograman).

Saya mulai dengan diskusi kenapa di statistik tidak dihubung-hubungkan dengan pemrograman, tapi di data science dihubung-hubungkan dengan pemrograman padahal sama-sama ilmu untuk mengolah data. Saya mulai dari sini.

Terkait dengan apasih sebenarnya data science? Tentu saja definisinya macam-macam. Kalau kita browsing di internet pun definisinya bermacam-macam. Tapi saya punya pengertian sendiri berdasarkan pengalaman dan studi formal yang saya jalani.

Jadi, tidak seperti statistik atau machine learning di Data Science seringnya dalam menyelesaikan permasalahan pengolahan data tidak ada model atau algoritma atau rumus yang siap pakai untuk menyelesaikan masalah tersebut.

Sehingga untuk menyelesaikan analisa data tersebut kita perlu melakukan modifikasi algoritma atau modifikasi rumus yang ada. Karena algoritmanya dirubah atau rumusnya dimodifikasi maka pemrogramannya juga harus dirubah. Sehingga muncul kebutuhan data scientist untuk mengerti tentang pemrograman.

Selama ini, menurut saya, ada semacam pengertian yang keliru bahwa programmer itu siap menjadi data scientist. Nah, ini agak keliru karena programmer biasa dengan programmer data scientist itu berbeda.

Misalnya, kita sedang memprogram suatu rumus yang sederhana. Misal rumus variansi. Kalau programmer biasa akan langsung melihat rumusnya dan membuat programnya. Tapi programmer data scientist yang baik (yang senior/berpengalaman) dia mengetahui kalau rumusnya langsung diterapkan itu akan berakibat errornya besar (karena cancellation).

Maka sebaiknya rumus di literatur dirubah terlebih dahulu kebentuk yang baru, yang secara matematis sama, tapi kalau diterapkan ke program akan menghasilkan error yang lebih kecil.

Saya sendiri sejujurnya belum belajar hal tersebut saat S1 dulu. Ketika S2 dan S3 baru saya mendalami lebih lanjut dan mengetahui bahwa tidak sama antara pemrograman biasa untuk software engineering dengan pemrograman untuk pengolahan data.

Ketika kita bekerja sebagai data science, menurut bapak masalah seperti apa yang sering muncul? Baik setiap hari atau setiap minggu pasti ada dan kira—kira apa itu?

Kalau saya sebenarnya seringnya bertindak sebagai konsultan data scientist (bukan sebagai pegawai data scientist), jadi saya jawab sebagai konsultan data scientist.

Biasanya masalah yang sering muncul menurut pengalaman saya adalah klien tidak bisa menyatakan kebutuhannya dengan baik. Sebagian client terdorong oleh hype di data science dan big data.

Contohnya, klien tiba-tiba datang “Mas tolong bantu saya menerapkan big data di tempat kami” (perusahaan , universitas, atau di kantor pemerintahan). Tetapi setelah saya pelajari secara lebih lanjut sebenarnya mungkin apa yang mereka inginkan dan butuhkan belum big data system. Jadi mungkin masih fungsi ICT biasa; tapi mungkin karena ada hype dan semacam gengsi jadi kesannya memaksakan.

Hal ini sering terjadi bahkan di industri dan corporate-corporate yang sebenarnya belum butuh big data, yang biasanya karena bahkan infrastruktur ICT dasar mereka saja belum memadai.

Secara pribadi saya sebagai seorang konsultan selalu memberi tahu mereka kalaupun mau menerapkan big data mungkin hanya sebagian kecilnya dulu yang pasti akan menaikkan keuntungan perusahaan atau bermanfaat bagi institusi.

Seandainya kita langsung mendesain infrastruktur big data ditempat tersebut, kalau sembrono hanya akan menghasilkan kerugian di perusahaan/instusi tersebut, minimal tidak mendatangkan manfaat. Jadi ya itu, hype itu masih menjadi kendala. Seperti itu kurang lebih.

Kalau untuk data science itu sendiri rata-rata range gajinya itu berapa ya? Mungkin ada levelnya?

Kalau di Indonesia saya tidak tahu, karena saya biasanya sebagai konsultan bukan sebagai pegawai. Namun mahasiswa-mahasiswa saya cerita bahwa gajinya masih standar sama dengan gaji programmer dan posisi-posisi lain, belum ada penghasilan yang spesial untuk data scientist.

Tidak seperti di luar negeri, dimana data scientist memiliki range gaji yang lebih tinggi kalau kita lihat angkanya melalui Google Search. Walau bedanya tidak terlalu tinggi tapi memiliki kecenderungan lebih tinggi dengan pekerjaan lainnya. Menariknya data engineer memiliki kecenderungan gaji lebih besar daripada data scientist. Indonesia sendiri memiliki kebutuhan untuk data engineer yang lebih besar dibandingkan dengan data scientist.

Di Indonesia sepertinya masih standard gajinya. Tapi beberapa waktu lalu sempat tersebar kabar kalau data scientist digaji sampai Rp 30.000.0000 (level entry). Tapi itu sangat jarang dan hanya dilakukan oleh perusahaan yang tahu bahwa mereka butuh data scientist yang mumpuni.

Untuk menjadi seorang data scientist, wajib tidak untuk kuliah di jurusan Statistik?

Menurut saya, ini tidak hitam putih ya, artinya kalau kita Google tentang data scientist maka benang merahnya adalah gabungan dari beberapa bidang ilmu seperti IT, Statistik, Matematika dan sebagainya.

Pendapat saya pribadi core-nya adalah statistik (dan Matematika), pemrogramannya adalah support. Selama ini orang mengertinya pemrograman adalah inti dan statistiknya adalah support. Saya pikir ini terbalik.

Pemrograman di data scientist tidak sesulit pemrograman di software engenering atau di pemrograman lain secara umum karena di data science biasanya hanya butuh memodifikasi dari algoritma yang sudah ada, dan disesuaikan dengan kebutuhan pengolahan datanya.

Biasanya di industri data scientist bekerja sama dengan programmer. Menurut pengalaman saya, data scientist hanya membuat “analitic engine, yang membuat dan menerapkan sistem secara utuh itu adalah programmernya. Jadi dasar utamanya bukan programming tetapi pengolahan data.

Kalau kita balik lagi ke masa kuliah, atau training, diharapkan kita belajar apasih di training dan kuliah?

Kalau kita bicara pendidikan formal, lagi-lagi ini pengalaman pribadi. Zaman dahulu, ada pandangan kalau dosen punya proyek atau ngamen diluar kampus itu negatif tapi menurut saya hal ini tidak berlaku zaman sekarang.

Menurut saya zaman sekarang, sebaiknya dosen memiliki pengalaman di dunia industri. Jadi, saya menyarankan agar rekan-rekan dosen itu memiliki proyek (penelitian) dengan industri, agar ter-update ilmunya.

Hal tersebut juga agar nanti ketika mahasiswanya lulus, jadi tahu kebutuhan/kompetensi seperti apa yang dibutuhkan industri. Karena yang diajarkan di kelas oleh dosennya disesuaikan dengan pengalaman si dosen di dunia industri tadi.

Selama ini yang terjadi banyak dosen yang hanya memiliki ilmu text book yang ternyata setelah lulus dan masuk ke dunia industri itu banyak yang tidak bisa dipakai, tidak relevan, atau tidak up to date.

Jika dosennya memiliki dasar di pendidikan formal yang baik, nanti di industri dosen tersebut bisa memiliki pemahaman lebih. Pengetahuan tersebut seperti layer-layer dimana nanti layer terluar itu adalah ilmu dari buku, dan layer yang didalam adalah pengalaman dari dunia nyata dan seterusnya.

Dari sisi mahasiswa mereka tidak memiliki banyak pilihan karena mereka hanya mengikuti kurikulum dan apa yang disampaikan dosennya. Maka jika bicara ke pendidikan formal saya rasa harus lebih ke dosennya bukan mahasiswanya untuk lebih proaktif dalam memperbaiki apa yang diajarkan.

Pelajaran apa yang harus ada di kampus hingga nantinya lebih membantu terjadinya data science?

Dulu saat saya kuliah di New South Wales University ada mata kuliah yang sangat menarik namanya Statistic Consulting.

Nah, dikelas itu tidak diajarkan apa-apa, mereka mengundang dari industri untuk datang ke kampus dan bercerita pengalaman tentang sebuah masalah pengolahan data tertentu, lalu di kelas kita berdiskusi bagaimana menyelesaikan permasalahnnya. Ditutup dengan solusi yang dilakukan industrinya.

Rencananya tahun depan hal ini akan coba diusulkan di terapkan di UI. Dimana mata kuliah Statistic Consulting ini hanya membahas use case dan study case dan tidak lagi bicara text book, bahkan kalau perlu kita datangkan juga pemateri dari mana saja (industri/pemerintahan). Agar mahasiswa terbuka pemikirannya, sehingga nanti waktu lulus mereka berpengalaman dalam problem solving masalah nyata.

Apakah pekerjaan data scientist membutuhkan partner kerja atau team kerja pak? Dan tolong dijelaskan juga Pak, apabila Bapak bisa memilik partner itu 3 keahlian yang diharapkan dari patner dalam bekerja sebagai data scientist apa pak?

Partner utama bagi data scientist adalah data engineer. Data engineer  bertugas memberikan/menyediakan data yang akan diolah oleh data scientistData engineer ini juga yang akan mengatur konsistensi data dari client.

Yang kedua, data scientist ini biasanya kelak akan membuat analitic engine. Sehingga ia membutuhkan programmer yang kemudian mengaplikasikan engine tersebut ke program/sistem utuh di suatu institusi/perusahaan.

Dan tentu saja juga dibutuhkan UI (User Interface)-nya yang kemudian membuat tampilan supaya bagus, visualisasinya. Minimal itu, tapi kalaupun mau ditambahkan adalah orang yang membantu masalah administrasi dan birokrasi.

Sepertinya ini sepele, tapi jika tidak ada pekerja administrasi maka nantinya yang lainnya (data scientist, data engineer, programmer, dan UI) akan di sibukkan dengan hal-hal yang tidak penting bagi mereka. Biasanya orang-orang ini juga tidak suka berurusan dengan administrasi atau birokrasi. Jadi, administrasi membantu hal yang non-teknis.

Ada pertanyaan yang sedikit pribadi, apakah ada sisi lain dari Pak Taufik selain master dalam pendataan, apakah ada hal lain yang bapak sukai misalkan seperti travelling atau yoga, biker dengan motor?

Saya suka anime.  Sukanya karena di anime itu kadang ada pesan-pesan baik yang disampaikan tapi tanpa menggurui. Contohnya, di Dragon Ball ada Son Goku dan Vegeta. Vegeta itu jenius sedangkan Son Goku bodoh namun dia pekerja keras, tapi akhirnya Son Goku lebih kuat dari Vegeta. Pesan tersembunyi yang ingin disampaikan di Dragon Ball itu adalah dengan kerja keras itu kita bisa mengungguli bahkan orang yang jenius sekalipun.

Sama misalnya dengan anime di Naruto, ada pesan tersembunyi dimana Sasuke itu jenius, dan si Naruto dia tidak jenius tapi pekerja keras dan bisa bekerja sama dengan orang lain sehingga akhirnya dia menjadi lebih sukses dan popular. Jadi, saya suka anime yang sepertinya kekanak-kanakkan, tapi saya suka karena ada pesan tersembunyi tapi tidak menggurui, jadi tidak klise.

Yang paling saya suka One Piece. Karena kurang lebih sama sih, ada wisdom. Masyarakat umum mungkin melihatnya kekanak-kanakan, tapi kalau kita resapi dengan baik banyak hal-hal positif yang bisa kita ambil. One Piece sendiri lebih saya suka karena tidak membosankan.

Anda bisa bertanya kepada Taufik Sutanto mengenai topik wawancara diatas.

Ayo nikmati berbagai macam kursus yang ada di babastudio yang merupakan partner Techfor.id. Cukup klik link di bawah ini .

https ://academy.babastudio.com

Share.

About Author

Taufik Sutanto

Founder at Tau Data Indonesia. Sessional Academic Staff, Casual Research Associate & SCAP Grant Commite Queensland University of Technology (2014 - 2017)

5 Komentar

  1. Jika memang pendidikan data scientist di indonesia itu kurang? apakah mas taufik bisa mengadakan acara sharing ke kampus gtu biar kami para mahasiswa jadi lebih memahami nya

  2. Rezvan Ariando on

    Untuk meningkatkan minat belajar data scientist, ada kiat – kiat khusus tidak mas ?

    • maaf menyela, saya sangat bersemangat sekali belajar data science, meskipun kuliah pertamaku msh bln agustus besok. tumbuhkan cinta dengan sering searching ttg data scientist, mencoba ikut kursus online gratis di Dqlab, gabung grup telegram Big Data Indonesia(banyak mastah disini, jadi makin semangat), baca2 artikel ttg data science, big data dan ikut seminar. kemudian visualisasikan diri anda saat ini menjadi seorang data scientist. Jgn lupa ikhtiar dan berdoa 🙂

Tanya Sesuatu Pada Narasumber & Komentar