PROMO 10.10 BEJIBUN, MANTUL!
Belajar Data Science 6 BULAN Bersertifikat hanya Rp 100K!
0 Hari 4 Jam 7 Menit 10 Detik

Korelasi Grab, Black Swan, dan Data Science

Belajar Data Science 15-Juni-2018
https://dqlab.id/files/dqlab/cache/a98a6d65fd7e2266431808a34de06ce1_x_Thumbnail800.jpg

Ingat kejadian demo besar para supir taxi yang terjadi di Jakarta? Demo ini adalah bentuk protes yang ditujukan kepada aplikasi online seperti Uber dan Grab yang cukup menggerus pendapatan mereka. Wajar saja, karena aplikasi-aplikasi tersebut sangat memudahkan pengemudi pribadi menjual jasa transportasi kepada penumpang tanpa terkena berbagai kewajiban seperti pajak yang harus dipenuhi operator taxi resmi sehingga menjadi lebih rumah.

Demo-demo seperti ini bukan hanya terjadi di Indonesia, tapi di seluruh dunia dan membuat pemerintah cukup gundah dengan model "sharing economy" seperti ini. Tujuan artikel kali ini bukan untuk membahas pro dan kontra aplikasi online tersebut, apalagi sampai membahas ekses demo atau soal legalitas dari penyedia transportasi online. Tetapi lebih kepada fenomena terhadap kemunculan mereka yang "mengejutkan" banyak pihak.

Bukankah kesiapan Indonesia dalam mengadopsi aplikasi transaksi online seperti ini masih sangat awal? Keamanan, kenyamanan dan kepercayaan yang menjadi keunggulan kompetitif tentunya sulit ditawarakan oleh individu yang bahkan bukan karyawan dari perusahaan penyedia transportasi online tersebut?

Namun pada kenyataannya, edukasi pasar terjadi lebih cepat dari dugaan sehingga adopsi yang kelihatannya "tidak mungkin" terjadi tersebut menjadi kejadian. Dengan berbagai ciri yang konsisten, penulis dapat menggolongkan peristiwa ini sebagai black swan.

Apa itu Black Swan?

Black swan adalah sebuah teori yang dikembangkan oleh Nassim Nicholas Taleb seorang penulis berkewarganegaraan Libanon dan Amerika. Teori dalam bentuk metafora ini bertujuan menjelaskan peristiwa yang mengejutkan, memiliki efek besar, dan dicari rasionalitasnya setelah kejadian.

Penamaan black swan tidak lepas dari latar belakang sejarah. Sebelum benar-benar ditemukan di alam liar benua Australia, bangsa Eropa percaya bahwa angsa hitam (black swan) hanyalah suatu khayalan belaka. Bahkan ada suatu peribahasa yang menggunakan black swan untuk mengilustrasikan sesuatu yang tidak mungkin, namun ternyata akhirnya black swan memang benar ada dan ditemukan di alam liar Australia.

Peristiwa black swan diobservasi dan dijadikan teori oleh Taleb untuk membantu pemahaman terhadap tiga hal. Pertama, untuk menjelaskan peristiwa game-changer yang terjadi secara mengejutkan di luar ekspektasi "normal", peristiwa yang sangat langka dan imbasnya menyangkut banyak orang serta sulit untuk diprediksikan sebelumnya.

Kedua, terhadap peristiwa yang luput dari perhitungan dan tidak masuk ke dalam "radar" pengamat. Jika dianalisa dengan perhitungan cermat kemungkinannya juga sangat kecil untuk menjadi suatu sebab dari peristiwa besar dan menentukan nasib suatu populasi.

Ketiga, untuk menjelaskan bias psikologis yang menyebabkan orang menjadi tidak memperhatikan suatu fenomena ketidakpastian baik secara individual maupun secara kolektif sehingga dapat dikatakan hidup dalam ilusi "comfort zone".

Thaleb memberikan beberapa contoh black swan dalam bukunya. Diantaranya adalah peristiwa teroris pada 11 September 2011 di New York dan tsunami Desember 2004 yang melanda berbagai negara di Samudera Hindia termasuk Indonesia.

Black swan dapat menjadi resiko yang sangat serius terhadap bisnis apabila tidak dapat diantisipasi dengan baik, terutama dalam memetakan kompetitor non-tradisional yang tidak terdeteksi sebelumnya.

Peringatan Dini dengan Data Science?

Ketika segala sesuatu terjadi sangat normal, stabil dan tidak ada goncangan, kita cenderung menjadi terlena dan berambisi dalam mengerjar pertumbuhan berikutnya. Kehati-hatian, sikap skeptis dan persiapan diri dalam menghadapi bencana menjadi berkurang. Kenapa perlu memusingkan suatu resiko yang memiliki kemungkinan sangat kecil untuk terjadi? Apalagi ancaman resiko tersebut dianggap telah pernah tertangani sebelumnya?

Kita semua dapat melihat akibat sikap "ketidakpedulian" tersebut pada bencana nuklir Fukushima dan kasus tergerusnya pasar Nokia oleh smartphone dan toko aplikasi virtual.

Apakah black swan dapat dijadikan white swan? Dari pendapat penulis, ada kemungkinan bisa.

Perusahaan besar memiliki peluang besar untuk mengadopsi teknologi Big Data yang semakin hari semakin baik dalam dapat mengkonsumsi berbagai variasi dan sumber data menjadi informasi. Teknologi distributed computingclouddata mining, dan machine learning tersedia secara luas dan dapat diterapkan dengan relatif mudah.

Dengan penanganan yang baik, informasi berharga tersebut dapat secara aktif digunakan untuk mencari area kelemahan diri sendiri serta membuat peringatan dini (early warning) yang dapat mendeteksi outlier dan silent risk yang berpotensi merubah aturan main.

Akan banyak tantangan dalam implementasinya karena tidak ada batasan jumlah data yang dapat dan perlu diambil, pemodelan yang tepat, serta ketersediaan ahli. Namun dibandingkan dengan harga resiko yang harus dibayar, inisiatif ini sangat layak untuk diimplementasikan secara serius.

Sayangnya, supply Data Scientist, untuk melakukan pengolahan, pemodelan, dan menemukan pola dalam data untuk melakukan prediksi masih jarang ditemukan, bukan hanya di Indonesia namun di seluruh dunia. Dengan tersedianya akses ke teknologi, proses belajar untuk menjadi seorang Data Scientist menjadi lebih mudah, bahkan efisien karena dapat dilakukan secara online. Tertarik untuk bangun skillset Anda menjadi seorang Data Scientist? Daftarkan diri Anda di sini.

Mulai Terapkan Ilmunya dengan Belajar Data Science bersama DQLab!

Tertarik berkarir di bidang data? Yuk, bergabung di DQLab! Kamu bisa membangun portofolio datamu dengan belajar data science di DQLab. Untuk kamu yang ingin mulai belajar data science atau siap berkarir jadi Data Analyst, Data Scientist, dan Data Engineer, persiapkan diri kamu dengan tepat sekarang. Tidak ada kata terlambat untuk belajar. Yuk #MulaiBelajarData di DQLab.

Dengan belajar di DQLab, kamu bisa:

  • Menerapkan teknik mengolah data kotor, hasilkan visualisasi data dan model prediksi dengan studi kasus Retail dan Finansial

  • Dapatkan sesi konsultasi langsung dengan praktisi data lewat data mentoring

  • Bangun portofolio data langsung dari praktisi data Industri

  • Akses Forum DQLab untuk berdiskusi.

Simak informasi di bawah ini untuk mengakses gratis module "Introduction to Data Science":

  1. Buat Akun Gratis dengan Signup di DQLab.id/signup

  2. Akses module Introduction to Data Science

  3. Selesaikan modulenya, dapatkan sertifikat & reward menarik dari DQLab

Mulai Karier
sebagai Praktisi
Data Bersama
DQLab

Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.

Buat Akun


Atau

Sudah punya akun? Login