Data Science Methodology menunjukkan rutinitas untuk menemukan solusi untuk masalah tertentu.

Dibawah ini merupakan langkah-langkah umum yang terlibat dalam Data Science Methodology:

1. Pemahaman Masalah Bisnis: Masalah bisnis didefinisikan, dan tujuan analisis diidentifikasi, untuk memahami masalah dan menentukan tujuan.

2. Pemahaman Data: data di identifikasi dan dikumpukan untuk analisis. kemudian di eksplorasi untuk memahami struktur, kualitas, dan kelengkapannya.

3. Persiapan Data: data dibersihkan, digubah, dan disiapkan data untuk analisis. Langkah ini penting untuk memastikan bahwa data berada dalam format dan kualitas yang tepat untuk analisis.

4. Pemodelan Data: Memilih teknik pemodelan yang tepat untuk menganalisis data dan membangun model prediktif. Tahap ini melibatkan pemilihan algoritma yang tepat, penyempurnaan parameter model, dan validasi model.

5. Evaluasi: Mengevaluasi kinerja model dan kemampuannya untuk memecahkan masalah bisnis. Dengan menggunakan berbagai metrik evaluasi untuk menentukan efektivitas model dan melakukan perbaikan jika perlu.

6. Penerapan: Menerapkan model di lingkungan produksi, mengintegrasikannya ke dalam proses bisnis, dan memastikan model berfungsi dengan benar.

7. Pemantauan dan Pemeliharaan: Memantau kinerja model di lingkungan produksi, membuat perubahan dan perbaikan yang diperlukan untuk memastikan model terus bekerja secara efektif.

Singkatnya, metodologi Ilmu Data melibatkan pendekatan terstruktur untuk memecahkan masalah menggunakan data, termasuk memahami masalah bisnis, mengumpulkan dan menyiapkan data, memodelkan dan mengevaluasi data, menyebarkan model, serta memantau dan memelihara kinerjanya.

Source: https://www.geeksforgeeks.org/data-science-methodology-and-approach/

Definisi IBM Data Science Method Metodologi ini dirancang untuk memberikan panduan sistematis dalam mengelola proyek data science.

Tujuan Utama dari Methode ini

• Mendeteksi pola dalam data yang tidak terstruktur atau tidak terhubung, sehingga memungkinkan untuk membuat hipotesis dan prediksi.

• Bisnis bidang teknologi yang mendapatkan data pengguna bisa digunakan sebagai strategi untuk mengubah data tersebut menjadi informasi berharga yang menguntungkan bisnis perusahaan. 

• Digunakan untuk penerapan terobosan di berbagai bidang lain, seperti transportasi. Sebagai contoh, membuat ide mobil tanpa pengemudi yang digunakan untuk mengurangi angka kecelakaan lalu lintas.

Langkah-Langkah IBM Data Science Methodology

1. Identifikasi Masalah Bisnis

   Memahami masalah yang perlu diselesaikan dan menentukan tujuan serta kebutuhan solusi dari perspektif bisnis.

2. Pengumpulan Persyaratan Data

   Menetapkan jenis data yang diperlukan untuk menjawab pertanyaan bisnis dan bagaimana cara mengumpulkannya.

3. Pemahaman dan Persiapan Data

   Melakukan analisis eksploratif untuk memahami data yang telah dikumpulkan, serta membersihkan dan mempersiapkan data agar siap untuk analisis.

4. Pemodelan dan Evaluasi

   Mengembangkan model analitik, baik deskriptif maupun prediktif, dan mengevaluasi model untuk memastikan kesesuaiannya dengan tujuan bisnis.

5. Penerapan Model dan Feedback

   Menerapkan model ke dalam praktik, menguji hasilnya, dan mengumpulkan umpan balik untuk menyempurnakan model lebih lanjut.

Source: https://revou.co/panduan-karir/data-science-adalah

NPM: 2231088

Role: Backend Developer

NPM: 2231093

Role: UI/UX Designer & Frontend Developer

NPM: 2231096

Role Data Collector

NPM: 2231115

Role: Data Scientist

NPM: 2231191

Role: Data Scientist

IBM Data Science Methodol adalah pendekatan sistematis yang digunakan oleh data scientist untuk menemukan solusi terhadap masalah tertentu dengan memanfaatkan data. Metodologi ini memberikan struktur dan langkah-langkah yang jelas untuk memahami dan menganalisis data dalam konteks bisnis.

IBM Data Science Methodology terdiri dari lima langkah iteratif:

1. Identifikasi Masalah dan Pendekatan: Memahami konteks bisnis dan masalah yang ingin diselesaikan. Ini melibatkan analisis deskriptif, diagnostik, prediktif, dan preskriptif untuk mendalami masalah.

2. Tentukan Kebutuhan Data dan Metode Pengumpulan: Mengidentifikasi jenis data yang diperlukan dan metode pengumpulan data yang tepat, baik melalui data internal maupun eksternal.

3. Pahami Data dan Persiapkan Data: Melakukan analisis eksplorasi untuk memahami data yang telah dikumpulkan, serta melakukan pembersihan dan manipulasi data agar siap untuk analisis lebih lanjut.

4. Bangun Model dan Evaluasi: Mengembangkan model deskriptif dan prediktif, serta melakukan evaluasi untuk memastikan model tersebut memenuhi tujuan yang diinginkan.

5. Terapkan Model dan Dapatkan Umpan Balik: Menerapkan model pada skala terbatas untuk mendapatkan umpan balik, lalu melakukan penyempurnaan berdasarkan masukan tersebut sebelum penerapan yang lebih luas.

Sources :

https://developer.ibm.com/blogs/following-the-data-science-methodology/

NPM: 2231052

Role: UI/UX Designer & Frontend Developer

IBM Data Science Methodology bertujuan memberikan panduan yang terstruktur dan konsisten bagi data scientist dalam menghadapi tantangan bisnis melalui analisis data. Metodologi ini mendukung pengembangan model analitik yang akurat dan mendorong pendekatan iteratif, di mana umpan balik digunakan untuk menyempurnakan model secara berkelanjutan. Dengan wawasan yang diperoleh, pengambilan keputusan menjadi lebih terarah dan efektif, yang pada gilirannya dapat meningkatkan hasil bisnis.

IBM Data Science Methodology terdiri dari 10 langkah yang dijelaskan sebagai berikut:

1. Business Understanding: Memahami masalah bisnis dan mendefinisikan tujuan proyek dari perspektif bisnis.

2. Analytic Approach: Menentukan pendekatan analitik yang akan digunakan untuk menyelesaikan masalah yang telah didefinisikan.

3. Data Requirements: Mengidentifikasi kebutuhan data berdasarkan pendekatan analitik yang telah dipilih.

4. Data Collection: Mengumpulkan data yang relevan dari berbagai sumber, baik yang terstruktur maupun tidak terstruktur.

5. Data Understanding: Menganalisis data yang telah dikumpulkan untuk memahami konten, kualitas, dan menemukan wawasan awal.

6. Data Preparation: Menyiapkan dataset yang akan digunakan dalam model, termasuk membersihkan data dan melakukan rekayasa fitur.

7. Modeling: Mengembangkan model prediktif atau deskriptif berdasarkan dataset yang telah disiapkan.

8. Evaluation: Mengevaluasi model yang telah dikembangkan untuk memastikan bahwa model tersebut memenuhi tujuan bisnis.

9. Deployment: Menerapkan model yang telah disetujui ke dalam lingkungan produksi atau lingkungan pengujian.

10. Feedback: Mengumpulkan hasil dari model yang diterapkan untuk mendapatkan umpan balik dan melakukan penyempurnaan model secara berkelanjutan.

Source: https://www.google.com/url?sa=t&source=web&rct=j&opi=89978449&url=https://tdwi.org/~/media/64511A895D86457E964174EDC5C4C7B1.PDF&ved=2ahUKEwiQ_I7xl_SIAxXin2MGHXnSLzEQFnoECBQQAQ&usg=AOvVaw3bMM2hPvVfl0qo94Tg0JPA

Langkah-langkah Metodologi Data Science IBM

1. Pemahaman Bisnis

   • Identifikasi Masalah: Mulailah dengan memahami konteks bisnis, termasuk apa yang dilakukan bisnis, input dan output-nya, serta faktor-faktor yang memengaruhi hasilnya. Ini melibatkan audit bisnis untuk mengidentifikasi masalah spesifik yang perlu diatasi.

   • Pendekatan Analitik: Pilih metode analitik yang tepat untuk menyelesaikan masalah tersebut. Biasanya meliputi:

     • Analisis Deskriptif: Menjawab pertanyaan "Apa yang telah terjadi?"

     • Analisis Diagnostik: Meneliti "Mengapa hal ini terjadi?"

     • Analisis Prediktif: Memprediksi "Apa yang akan terjadi selanjutnya?"

     • Analisis Preskriptif: Menentukan "Apa yang harus dilakukan?"

2. Kebutuhan dan Pengumpulan Data

   • Tentukan Kebutuhan Data: Spesifikasikan jenis data yang diperlukan untuk menyelesaikan masalah yang diidentifikasi, termasuk format dan atribut tertentu. Misalnya, untuk memprediksi kelayakan pinjaman, diperlukan data seperti pendapatan bulanan, profesi, usia, dan durasi tinggal.

   • Kumpulkan Data: Kumpulkan data yang diperlukan dari berbagai sumber, seperti layanan analitik streaming, set data bisnis yang ada, atau web scraping. Pastikan data yang dikumpulkan masih mentah dan siap untuk diproses lebih lanjut.

3. Pemahaman dan Persiapan Data

   • Pahami Data: Evaluasi apakah data yang dikumpulkan relevan dan cukup untuk menyelesaikan masalah. Lakukan Analisis Data Eksploratif (EDA) untuk memvisualisasikan dan mengidentifikasi hubungan di dalam data.

   • Persiapkan Data: Bersihkan dan proses data dengan menangani data yang hilang, membuat data lebih mudah dibaca, menganonimkan informasi sensitif, dan menghapus data yang tidak diperlukan. Lakukan rekayasa fitur (feature engineering) untuk membuat variabel baru yang bermakna dan dapat meningkatkan performa model.

4. Pemodelan dan Evaluasi

   • Buat Model: Kembangkan model menggunakan teknik deskriptif atau prediktif:

     • Pemodelan Deskriptif: Menggunakan metode seperti clustering dan sistem rekomendasi untuk memahami pola data.

     • Pemodelan Prediktif: Menggunakan algoritma seperti regresi linier, regresi logistik, dan klasifikasi untuk memprediksi hasil di masa depan.

   • Evaluasi Model: Nilai efektivitas model dengan memeriksa apakah model tersebut memenuhi tujuan yang diinginkan. Gunakan teknik seperti decision tree untuk model prediktif atau set data uji untuk model deskriptif. Pastikan model dapat dijelaskan (explainability) dengan memahami parameter dan metrik yang memengaruhi keputusan model.

5. Penerapan dan Umpan Balik

   • Terapkan Model: Implementasikan model dalam lingkungan nyata dalam skala terbatas untuk mengumpulkan umpan balik awal.

   • Dapatkan Umpan Balik dan Perbaiki: Kumpulkan umpan balik dari pengguna untuk mengidentifikasi masalah atau area yang perlu ditingkatkan. Perbaiki dan sesuaikan model berdasarkan umpan balik ini, lalu terapkan kembali jika diperlukan. Proses ini berulang hingga model berfungsi dengan baik, dan setelah itu model dapat diterapkan secara luas.

SUMBER:

1. https://www.researchgate.net/publication/349176667_Engineering_Machine_Learning_Applications

2. https://developer.ibm.com/blogs/following-the-data-science-methodology/

Tujuan IBM Data Science Method

1. Menjawab Pertanyaan Bisnis: Metode ini bertujuan untuk memberikan pendekatan analitik yang sistematis dalam menjawab pertanyaan bisnis yang jelas. Hal ini penting untuk mengarahkan analisis yang akan dilakukan.

2. Memecahkan Masalah: Dengan memahami masalah yang ingin diselesaikan, data scientist dapat merumuskan solusi yang tepat dan efektif.

3. Menghasilkan Wawasan Berharga: Metode ini dirancang untuk membantu data scientist dalam menghasilkan wawasan yang dapat digunakan untuk pengambilan keputusan bisnis.

   
   

Langkah - langkah IBM Data Science Methodology terdiri dari 11 langkah yaitu :

1. Pemahaman Bisnis: Memulai proyek dengan memahami konteks bisnis dan masalah yang ingin dipecahkan.

2. Klarifikasi Masalah: Mengidentifikasi dan mendefinisikan masalah secara jelas sehingga analisis dapat diarahkan dengan tepat.

3. Pendekatan Analitik: Menggunakan metode analitik yang sesuai untuk menganalisis data, termasuk teknik statistik dan machine learning.

4. Persyaratan Data: Mengumpulkan data yang andal dan relevan yang diperlukan untuk analisis.

5. Pengumpulan Data: Mengumpulkan dan memilih data yang tepat (terstruktur, tidak terstruktur, semi-terstruktur) yang berhubungan dengan masalah.

6. Pemahaman Data: Memastikan bahwa data yang dikumpulkan dapat membantu menyelesaikan masalah yang telah didefinisikan.

7. Persiapan Data: Melakukan tindakan seperti pembersihan data, penggabungan data dari berbagai sumber, dan transformasi data menjadi variabel yang lebih berguna sebelum digunakan dalam pemodelan.

   • Rekayasa Fitur dan Analisis Teks: Data scientist perlu melakukan rekayasa fitur dan analisis teks untuk menentukan variabel terstruktur baru dari kumpulan prediktor dan juga untuk meningkatkan akurasi model. Pada tahap ini, penting untuk menggunakan alat yang tersedia untuk mengotomatiskan langkah-langkah umum guna mempercepat persiapan data.

8. Modeling: Langkah ini dapat melibatkan banyak iterasi. Pemodelan mencakup pembuatan set pelatihan dari dataset awal atau data historis untuk menghasilkan model prediktif atau deskriptif menggunakan metode analitik.

9. Evaluasi: Pada langkah ini, kinerja model harus dievaluasi dengan menggunakan alat dan metode seperti tabel dan grafik, atau dengan menggunakan set pengujian untuk model prediktif.

10. Penerapan (Deployment): Setelah model dievaluasi dan disetujui, saatnya menjalankan model dalam lingkungan produksi atau lingkungan pengujian yang sebanding.

11. Umpan Balik (Feedback): Setelah memperoleh hasil dari model yang dijalankan, langkah terakhir adalah mendapatkan umpan balik tentang kinerja model dan mengamati bagaimana pengaruhnya terhadap lingkungan penerapan. Langkah ini memungkinkan data scientist untuk memperbaiki dan meningkatkan model jika diperlukan.

    
    

Dengan mengikuti langkah-langkah dalam IBM Data Science Method, data scientist dapat lebih efektif dalam memecahkan masalah bisnis menggunakan pendekatan yang terstruktur dan sistematis, menangani proyek data science, menghasilkan analisis yang berkualitas, dan memberikan wawasan yang bermanfaat untuk pengambilan keputusan bisnis.

Source :

https://www.researchgate.net/publication/348078877_A_Review_into_Data_Science_and_Its_Approaches_in_Mechanical_Engineering/download?_tp=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI6Il9kaXJlY3QiLCJwYWdlIjoiX2RpcmVjdCJ9fQ