Computational Thinking : Cara Berpikir Ala Data Scientist

Data science sangat erat dengan bagaimana memecahkan masalah di dunia nyata. Tidak heran bahwa di bidang data science kita juga harus memiliki beberapa soft-skills tertentu, salah satunya yaitu computational thinking. Lalu apa sih computational thinking itu?

Definisi Computational Thinking

Computational Thinking atau pemikiran komputasional adalah pendekatan sistematis untuk memecahkan masalah yang rumit dengan memecahnya menjadi tahapan yang lebih kecil dan sederhana yang dapat dieksekusi oleh komputer atau mesin. Dengan kata lain, seorang data scientist yang memiliki computational thinking mampu menguraikan suatu case yang cukup rumit menjadi beberapa bagian sehingga case yang sangat kompleks pun bisa diselesaikan langkah demi langkah. Computational thinking sendiri sering juga disebut algorithmic thinking, hal ini dikarenakan cara berpikir demikian mirip dengan bagaimana cara komputer menjalankan suatu perintah dengan sistem algoritma-nya.

4 Pilar atau Tahapan dalam Computational Thinking

1. Dekomposisi (Decomposition)

Dekomposisi adalah tahap di mana Anda memecah masalah yang rumit dan cukup kompleks menjadi beberapa bagian, tujuannya adalah agar Anda dapat menyelesaikan suatu masalah dari tahap yang mudah terlebih dahulu. Semakin banyak Anda menguraikan masalah menjadi beberapa bagian, semakin mudah Anda menyelesaikannya.

2. Pattern Recognition (Menemukan kesamaan pada suatu masalah)

Setelah menguraikan masalah yang kompleks, Anda akan menemukan serangkaian masalah yang bervariasi yang membutuhkan solusi. Langkah selanjutnya adalah memeriksa masalah-masalah kecil yang memiliki karakteristik yang sama (atau sangat mirip). Mungkin ada kemungkinan bahwa tidak ada karakteristik umum yang ada di antara masalah, tetapi kita tetap harus melihatnya.

Misalnya, ketika Anda melihat penjualan bulanan sepanjang tahun, apa Anda melihat  pola mengapa suatu barang banyak terjual pada musim tertentu? Apakah pada musim tertentu mengakibatkan penjualan paling sedikit? Apakah ada korelasi antara penjualan Anda dengan musim tertentu?

Ketika Anda melihat masalah yang kompleks, cobalah untuk membuat banyak pertanyaan. Lalu list pertanyaan Anda. Cobalah untuk menemukan beberapa pola dan jelaskan masalah yang ada.

3. Abstraction

Di tahap ini merupakan fase signifikan dimana Anda harus hanya memilih  variabel yang relevan untuk menghubungkan hipotesis. Dengan menghilangkan atribut yang tidak relevan dari suatu masalah, akan menghasilkan konsep interpretasi yang jauh lebih ramping yang memungkinkan manusia untuk menentukan cara yang pas dan mengubahnya menjadi solusi yang tepat untuk menyelesaikan masalah secara efektif.

4. Algorithm (Algoritma)

Algoritma adalah suatu proses atau langkah-langkah yang dilakukan secara tahap demi tahap untuk mencapai suatu tujuan tertentu. Langkah-langkah yang dilakukan tentunya harus berurut, sistematis dan rasional sehingga tujuan yang ingin dicapai bisa dengan mudah tercapai. Sederhananya, ambillah sebuah contoh bagaimana Anda berkegiatan sehari-hari mulai dari bangun tidur hingga Anda kembali beristirahat di malam harinya. Tentu Anda tidak ingin salah langkah bukan dengan melakukan pekerjaan yang sia-sia setiap hari? Dengan menentukan langkah yang benar tujuan Anda lebih mudah dicapai. Termasuk di dalam kehidupan Anda sehari-hari.

Kenapa Computational Thinking Berguna untuk Data Scientist di Masa Depan?

Begitu banyak bisnis modern berhubungan dengan pemecahan masalah. Entah itu membuat perbaikan kecil untuk meningkatkan efisiensi bisnis, atau menciptakan produk dan layanan terobosan bagi konsumen.

Sebagai seorang data scientist, sangat penting untuk memiliki computational thinking. Pemikiran komputasional berjalan melalui setiap aspek dan fungsi bisnis modern. Hal ini menjadi lebih penting di masa modern ini, di mana begitu banyak bisnis sekarang didorong oleh data, seperti menganalisis perilaku konsumen, pergerakan di pasar keuangan dan kinerja layanan publik, seperti kesehatan atau kepolisian, merupakan beberapa  pekerjaan yang mengharuskan individu untuk dapat memikirkan masalah dengan cara yang dapat dipahami oleh komputer.

Dengan memiliki computational thinking, seorang data scientist diharapkan bisa memahami dan memikirkan masalah bisnis yang kompleks dan menguraikannya, sehingga memberikan solusi bisnis untuk suatu perusahaan.

Data-data yang ada di suatu perusahaan pun bisa dimanfaatkan secara optimal, apabila seorang data scientist memiliki computational thinking. Dengan begitu seorang ilmuwan data bisa memahami bagaimana permasalahan yang terjadi di suatu perusahaan dan memberikan solusi jangka panjang ke depannya.

Bahkan jika seseorang tidak dalam posisi untuk membuat solusi dengan menggunakan bahasa pemrograman dan komputer, kemampuan untuk memahami dan memikirkan masalah bisnis dengan menggunakan konsep yang disebutkan di atas sangat penting.

Keterampilan berpikir komputasi bermanfaat untuk karir di hampir setiap sektor, termasuk produk konsumen, bisnis dan pasar keuangan, energi, perjalanan dan pariwisata, atau layanan publik seperti perawatan kesehatan, pendidikan dan hukum dan ketertiban. Tempat kerja membutuhkan karyawan untuk berperan aktif dalam memikirkan masalah dan menciptakan solusi.

Pemikiran komputasional dapat diterapkan pada setiap fungsi bisnis komersial atau layanan publik. Perencanaan dan peramalan didasarkan pada pola generalisasi atau abstraksi. Merancang perjalanan pengguna untuk situs e-commerce ritel melibatkan kemampuan untuk memecah masalah menjadi bagian-bagian komponennya, menggunakan teknik dekomposisi, dan menyusun urutan langkah untuk memecahkan masalah menggunakan pemikiran algoritmik.

Kesimpulan

Computational thinking adalah cara berfikir bagaimana memecahkan masalah yang rumit dan menguraikannya menjadi beberapa bagian, sehingga lebih mudah untuk diselesaikan. Computational Thinking memudahkan bagaimana kita menghadapi masalah dan menemukan solusi, tidak hanya bagi seorang ilmuwan data, namun untuk setiap individu dalam kehidupannya sehari-hari. Ingin belajar data science dan berkarir menjadi seorang data scientist profesional? Belajar di Algoritma Data Science School, investasi sekali sampai jadi ahli!

YONVI SATRIA