DATA RAYA DAN

PEMROGRAMAN

TUGAS PERTEMUAN 3
INDIVIDU

Disusun oleh :

SASKYA MELY ASMARANTI

1701621005

Program Studi S1 Pendidikan Akuntansi

Fakultas Ekonomi
Universitas Negeri Jakarta
2023
Tugas Individu :

1. Jelaskan apa yang dimaksud dengan data science. Berikan contoh sesuatu
yang anda alami sehari-hari yang terkait dengan data science ini.
2. Berikan juga pendapat anda bagaimana data science ini akan
mempengaruhi bidang pekerjaan terkait prodi anda.

File jawaban diberi nama TW2-nim-XYZ.docx/pdf

Upload file jawaban selambat-lambatnya Jum'at, 24 Februari 2023 sebelum

jadwal perkuliahan.
 1.1 Definisi Data Science
Data Science adalah bidang dengan kemampuan mengambil, memahami, memproses
dan menyaring nilai dari suatu data serta memvisualisasikannya, kemampuan yang berurusan
dengan segala hal yang berhubungan dengan pembersihan data, persiapan data dan
analisisnya, kegiatan yang berkaitan dengan data yang acak (unstructured) dan data yang siap
diolah (structured). Data science merupakan ilmu yang menggabungkan sebuah kemahiran di
bidang ilmu tertentu dengan keahlian pemrograman, matematika dan statistik, kemahiran
yang berkaitan dengan algoritma machine learning yang mengolah teks, gambar, video, audio
dan lain - lain untuk menghasilkan kecerdasan buatan. Hasilnya yang dapat dimanfaatkan
oleh analis dan pengguna untuk merancang strategi yang tepat dalam menyelesaikan suatu
masalah atau mencapai sebuah tujuan. Data science menjadi penting karena jika suatu
organisasi tidak mampu mengolah data, organisasi tidak akan memiliki pedoman untuk
strategi operasi yang efektif dan efisien.
Menurut Data Robot, data science merupakan ilmu yang menggabungkan sebuah
kemahiran di bidang ilmu tertentu dengan keahlian pemrograman, matematika, dan statistik.
Tujuannya adalah untuk mengekstrak sebuah pengetahuan atau informasi dari data.
Sesuai dengan namanya, data science melibatkan data dan sains atau ilmu (yang
dibutuhkan
untuk memproses data). Data science mulai didengungkan pada tahun 80-an dan 90-an,
namun
baru benar-benar dipublikasikan pada tahun 2009 atau 2011. Para ahli perintisnya antara lain
adalah Andrew Gelman dan DJ Patil.

Ada berbagai pendapat tentang definisi data science tapi Profesor Murtaza Haider dari
Ryerson
University di Kanada memiliki definisi yang cukup mudah dimengerti.

Secara sederhana dapatlah dikatakan bahwa data science “terjadi” ketika kita bekerja dengan
data untuk menemukan jawaban atas pertanyaan-pertanyaan (tentunya yang relevan dengan
data tersebut). Penekanannya lebih ke data itu sendiri dan bukan tentang sains atau ilmunya
(yang dibutuhkan untuk menganalisisnya). Jika kita memiliki data, lalu kita memiliki
curiousity
(rasa ingin tahu) tentang “kandungan” atau “isi” data (yang bermanfaat), lalu untuk
menjawab
rasa ingin tahu tersebut kita mempelajari data, melakukan eksplorasi terhadap data itu,
“memanipulasi”-nya, melakukan berbagai hal untuk menganalisis data tersebut dengan
memanfaatkan ilmu dan teknologi tertentu untuk mendapatkan jawaban, itulah data science!
Tujuan akhir dari data science adalah untuk menemukan insights dari data. Data science
dapat
dipandang sebagai proses untuk mendestilasi atau mengekstraksi atau menggali insights dari
data. Data yang diolah dapat berukuran sedang hingga sangat besar. Insights tersebut dapat
diibaratkan sebagai emas atau berlian, yang meskipun hanya sedikit atau berukuran kecil,
namun tetap berharga. Insights dapat berupa informasi penting maupun model-model yang
dibuat dari data yang akan bermanfaat dalam mengambil keputusan. Insights yang ingin
digali
dari data perlu dimulai dengan rasa keingin-tahuan yang kuat dari diri sendiri atau dari
organisasi tempat dia bekerja (berupa kebutuhan karena ada masalah yang ingin diselesaikan
dengan memanfaatkan data). Berbekal ini, seorang data scientist lalu melakukan berbagai
aktivitas dengan memanfaatkan ilmu dan teknologi yang sesuai untuk mendapatkan insights
yang disasar.

1.2 Implementasi Data Science Dalam Kehidupan Sehari-Hari

Umumnya data scientist dibutuhkan oleh organisasi-organisasi yang telah memiliki
sistemsistem teknologi informasi operasional sebagai sumber data. Karena “data telah
menumpuk” lalu ada kesadaran untuk mendapatkan insights yang bermanfaat.
Sejatinya, data science adalah bidang yang bertujuan untuk memberikan insight
signifikan dalam ketersediaan data yang banyak. Ia biasanya terhubung pada berbagai bidang
pekerjaan, dengan tujuan untuk melakukan proses perhitungan dan penerjemahan akan data
yang hendak disaring. Maka dari itu, ilmu satu ini dapat ditemukan penerapannya pada
berbagai sektor industri, mulai dari bidang kesehatan hingga e-commerce untuk keperluan
bisnis.
Untuk organisasi bisnis (misalnya perusahaan e-commerce, bank, transportasi dan
pariwisata), insights bisa ditunjukan untuk memperbaiki organisasi.
Perbaikan itu misalnya karyawan menjadi lebih produktif, proses bisnis menjadi lebih efisien
sehingga menurunkan biaya operasional, penjualan produk/jasa meningkat sehingga
menaikkan keuntungan, layanan ke pelanggan menjadi lebih memuaskan sehingga pelanggan
lebih loyal.
Untuk organisasi pemerintah yang memberikan layanan kepada masyarakat, misalnya untuk
meningkatkan produktivitas pegawai dan memperbaiki layanan.
Untuk organisasi riset di bidang sains, kebutuhan akan berbeda, misalnya untuk menemukan
model dari data yang bermanfaat untuk melakukan prediksi di masa depan. Model itu
misalnya model prediksi panen tanaman, bencana, kebutuhan energi, kebutuhan transportasi
penduduk, kerusakan lingkungan, dsb.
 1. Implementasi Data Science Dalam Dunia Kesehatan
Pada tahun 2008 staf google dapat memetakan wabah flu secara real time dengan melacak
data lokasi pada pencarian terkait flu. Peta CDC tentang kasus flu yang terdokumentasi
diperbarui setiap seminggu sekali. Pada tahun 2013, google memperkirakan kasus flu yang
bisa diamati meningkat dua kali lipat. Teknologi ini memanfaatkan korelasi antara pencarian
dan kasus flu. Setelah beberapa tahun penemuan google, muncul aplikasi clue yang populer
menggunakan data science untuk memperkirakan siklus menstruasi dan kesehatan reproduksi
pengguna dengan melacak tanggal mulai siklus, suasana hati, jenis feses, kondisi rambut, dan
banyak variabel lainnya. Aplikasi ini memanfaatkan data anonim dengan bahasa
pemrograman Python dan Jupiter's Notebook. Setelah berhasil menganalisis data-data anonim
ini, pengguna akan diberitahu waktu subur, puncak menstruasi, atau adanya risiko tinggi
seperti kehamilan ektopik.
2. Implementasi Data Science Dalam Bidang Keuangan

Mendeteksi Tindak Penipuan di Bidang Keuangan

Perpaduan data science dengan Machine Learning dapat mencegah penipuan di
bidang keuangan, tentunya ini adalah salah satu tugas bidang yang paling menantang.
Dengan menerapkan algoritma Machine Learning, bank dapat mendeteksi penipuan
secara real-time untuk mencegah kerugian.

Sebagian besar kegiatan yang melibatkan perbankan dilakukan oleh nasabah melalui
platform digital dan online, sehingga menjadi bagian yang sangat penting untuk
memberikan keamanan dan ketepatan transaksi secara real-time.

3. Implementasi Data Science Dalam Bidang E-Commerce

Penetapan harga ini dibentuk oleh suatu perusahaan e-commerce untuk
menyegmentasikan pelanggan atau konsumen secara tepat.
Dynamic pricing ini juga diperlukan agar setiap kelompok pelanggan dapat ditawari
produk dengan harga yang sesuai dengan kebutuhan mereka. Penghitungan dynamic
pricing pada suatu perusahaan biasanya melihat dari berbagai macam kategori data,
seperti lead time, review properti, dan fasilitas yang disediakan produk.

Implementasi Data Science Dalam Kehidupan Sehari-Hari

1. Assissten Virtual
Asisten virtual merupakan salah satu contoh Data Science yang sangat akrab
dalam kehidupan kita, misalnya Siri di Iphone, Google Now di Android, dan
masih banyak lagi. Dengan adanya asisten virtual ini, dapat membantu untuk
memasang alarm, mencari sesuatu di google, menanyakan cuaca, dan hal hal
lainnya yang tidak pernah terpikirkan bisa dilakukan oleh robot. Tentunya hal ini
akan sangat mempermudah kita, apalagi ketika kita harus melakukan banyak
pekerjaan secara bersamaan.
2. Filter untuk Spam Chat Pada Email
merupakan salah satu contoh dari pengaplikasian Data Science. Algoritma
Decision Tree merupakan cikal bakal dari algoritma yang digunakan untuk spam
 filtering, dimana mesin akan menentukan apakah pesan tersebut termasuk sebagai
pesan spam atau bukan.
3. Chat booth otomatis pada e-commerce
Chat tersebut merupakan salah satu contoh pengaplikasian Data Science yang
dapat memberikan jawaban dan berinteraksi dengan pelanggan.

2.1 Implementasi Data Science Untuk Bidang Pendidikan Akuntansi

Data science sangat penting bagi akuntan karena memiliki hubungan dalam
meningkatkan pengambilan keputusan perusahaan terkait manajemen keuangan,
manajemen risiko, dan audit internal.
Dalam hal ini, akuntan akan berperan sebagai jembatan antara data yang tersedia dan
kelangsungan bisnis. Untuk itu, hal ini menciptakan peluang bagi akuntan untuk
menawarkan layanan dengan kualitas yang lebih baik. Akuntan dengan pemahaman
data science yang baik tentunya akan memenuhi syarat untuk berbagai posisi yang
jauh lebih besar di bidang akuntansi dan keuangan.
Data science sangat membantu peseroan yang bergerak di bidang keuangan. Data
science mengeluarkan fitur-fitur yang membantu perseroan dalam, menakar risiko
pengguna yang ingin mengajukan kredit, persetujuan, transaksi hingga penagihan atau
kolektif.
Data Science termasuk pada engineering data yang bertugas untuk memproses data
terstruktur dan data tidak terstruktur. Data terstruktur adalah data yang telah jelas
strukturnya, misal peminjam adalah pria, umurnya sekian, tinggal di sini dan lain
sebagainya.
Dapat dikatakan, bahwa dengan data science proses akuntansi menjadi lebih jelas dan
lebih mudah untuk di telaah, terlebih jika terjadi kesalahan dalam akuntansi sehingga
dapat dengan mudah di temui kesalahannya.

"Data analytics sangat diperlukan dalam akuntansi, misalnya dipakai oleh Audit dari
banyak analisis data, mengetahui data mana yang bermasalah, mendesain prosedur
audit untuk dilakukan explorasi lebih lanjut dengan tools yang dapat digunakan antara
lain Excel, Basic database (Access), Audit (IDEA/ACL), dan Visualization (Tableau,
Qlik, Sportfire, Microsoft BI.)”, tandasnya.

"Revolusi 4.0 menanyakan peran manusia dimana, dalam hal ini kita mencoba
mempertanyakan terkait dengan akuntansi, apakah melihat akuntansi dengan cara
yang berbeda menghasilkan sesuatu yang berbeda", ungkapnya. Menurutnya,
akuntansi secara fungsi jelas identik dengan teknologi informasi, dan secara khusus
menyajikan informasi keuangan dan teknologi informasi untuk mengumpulkan
informasi.

Menurut Nita, akuntan bisa menjadi data scientist yang luar biasa karena memiliki
daya analisa yang sangat baik karena terbiasa melakukan problem solving dan
membaca laporan keuangan. Namun tak hanya itu, menurutnya, Akuntan juga harus
memahami Agile Methodology Process, pengetahuan mengenai Agile &
DevOps, AI, Analytical mindset, data science, pengetahuan bisnis dan industri,
serta automation. Hal ini disebabkan karena disrupsi teknologi berdampak signifikan
terhadap profesi akuntansi khususnya pada profesi auditor yang saat ini perlu untuk
memiliki digital mindset dan mengasah kompetensi digital.

Lembaga keuangan dapat membuat prediksi mengenai kemungkinan setiap customer

akan bertindak berdasarkan tren perilaku customer sebelumnya. Dengan bantuan
karakteristik sosio-ekonomi, lembaga keuangan dapat membagi customer menjadi
beberapa kelompok dan membuat peramalan mengenai jumlah uang yang akan
diterima dari setiap customer di masa depan. Salah satu contohnya adalah saat
memberi pinjaman kredit. Dengan adanya analisis customer ini, lembaga keuangan
dapat memutuskan apakah permintaan customer akan diterima atau tidak. Tugas data
scientist dalam pemberian pinjaman kredit adalah pengelompokan customer
berdasarkan karakteristik tertentu, seperti usia, jenis kelamin, pendapatan, dan lain
sebagainya menggunakan metode unsupervised learning. Setelah itu, data scientist
membuat model peramalan dan menentukan jenis kredit yang tepat untuk customer.
Faktor penting lainnya dalam keuangan adalah stabilitas, atau biasa disebut
manajemen risiko. Sebagian besar investor tidak menyukai ketidakpastian dalam hal
transaksi besar sehingga suatu lembaga keuangan harus mengukur, menganalisis, dan
memprediksi risiko. Beberapa bentuk risiko adalah ketidakpastian tentang pasar,
adanya pesaing baru yang bisa menjadi ancaman, dan kepercayaan pelanggan. Peran
data scientist disini sangat beragam, tergantung pada jenis risiko yang akan dianalisis.
Cara untuk membuat model dan mengelolanya pun beragam. Secara umum,
manajemen risiko adalah bidang kompleks yang membutuhkan pengetahuan di bidang
keuangan, matematika, statistik, dan lainnya. Oleh karena itu, lembaga keuangan
membutuhkan data scientist untuk membuat suatu program (machine learning)
sehingga dapat meminimalisir kemungkinan terjadinya kesalahan manusia dalam
proses analisis manajemen risiko.