Modul 1 — Modul 1 — Dari Pertanyaan Organisasi ke Tugas Data Mining

Rapat yang berakhir tanpa pekerjaan

Bayangkan rapat pengurus sebuah koperasi simpan pinjam di ibu kota kabupaten. Bendahara membuka laporan, lalu berkata dengan nada yang terdengar sangat masuk akal: "Setoran tabungan anggota terus menurun setahun terakhir. Coba kita pakai data mining untuk mencari tahu kenapa anggota berhenti menabung."

Semua orang mengangguk. Tidak ada yang keberatan. Dan justru di situ masalahnya: kalimat tadi belum bisa dikerjakan oleh siapa pun. Ia adalah keluhan yang sah, tetapi belum menjadi pekerjaan.

Coba perhatikan. Satu kalimat itu bisa dibaca sedikitnya dengan tiga cara berbeda:

1. "Berapa banyak anggota yang berhenti menyetor sepanjang tahun lalu, dan di ranting mana paling banyak?" — ini pertanyaan hitungan. Jawabannya ada di dalam data yang sudah tersimpan, tinggal dijumlahkan dan dikelompokkan.
2. "Anggota mana yang paling mungkin berhenti menyetor dalam tiga bulan ke depan, supaya petugas lapangan bisa mengunjunginya lebih dulu?" — ini pertanyaan perkiraan tentang masa depan, per orang, dan hasilnya berupa daftar prioritas.
3. "Ada berapa tipe kebiasaan menabung di antara anggota kita, dan apa ciri masing-masing?" — ini pertanyaan pengelompokan, yang berguna kalau koperasi ingin merancang produk simpanan yang berbeda-beda.

Ketiganya sah. Ketiganya membutuhkan data, tenaga, dan waktu yang berbeda. Ketiganya menghasilkan keluaran yang bentuknya sama sekali tidak mirip: yang pertama menghasilkan tabel, yang kedua menghasilkan daftar nama berurut prioritas, yang ketiga menghasilkan sekumpulan kelompok yang harus diberi nama dan ditafsirkan.

Kalau Anda salah menebak yang mana yang sebenarnya dimaksud pengurus, hasil kerja tiga bulan akan berakhir sebagai lampiran yang tidak dibaca siapa pun. Bukan karena analisisnya keliru, tetapi karena ia menjawab pertanyaan yang tidak sedang ditanyakan.

Kenapa modul ini dimulai dari pertanyaan, bukan dari algoritma

Ada anggapan umum bahwa pekerjaan data mining terutama soal memilih algoritma yang tepat. Kenyataannya, algoritma adalah bagian yang paling mudah dipelajari dan paling mudah diganti. Yang sulit — dan yang membedakan proyek yang berguna dari proyek yang mubazir — adalah merumuskan pekerjaannya dengan benar sejak awal.

Alasannya sederhana: kesalahan pada tahap perumusan tidak bisa ditambal oleh model yang lebih canggih. Kalau alamat tujuan Anda salah, mengganti motor dengan mobil balap hanya membuat Anda sampai lebih cepat ke tempat yang salah.

Peta perjalanan sebuah proyek penggalian data

Proyek data mining yang tertib biasanya melewati enam langkah:

1. Memahami kebutuhan organisasi — apa yang sebenarnya mengganggu, dan keputusan apa yang menunggu jawaban.
2. Merumuskan tugas data mining — menerjemahkan kebutuhan tadi menjadi pernyataan teknis yang jelas.
3. Menelusuri dan menilai data yang tersedia — apakah datanya ada, sejak kapan, dan seberapa bisa dipercaya.
4. Menyiapkan data — membersihkan, menggabungkan, dan menyusun ulang agar siap diolah.
5. Membangun dan menguji model — di sinilah algoritma akhirnya masuk.
6. Menerjemahkan hasil menjadi keputusan, lalu memantaunya — karena model yang tidak dipakai sama saja dengan tidak ada.

Enam langkah ini bukan garis lurus. Sangat lazim orang sampai di langkah 3, menemukan bahwa data yang dibutuhkan ternyata tidak pernah dicatat, lalu kembali ke langkah 2 untuk merumuskan ulang tugasnya. Kerangka kerja bertahap semacam ini sudah lama dipakai di industri — salah satu penamaan yang paling dikenal adalah CRISP-DM — dan modul ini memakai penamaan sederhana saja agar mudah diikuti.

Seluruh modul ini tinggal di langkah 1 dan 2. Langkah 3 sampai 6 adalah isi modul-modul berikutnya.

Yang akan Anda kerjakan di modul ini

Di akhir modul, Anda diharapkan bisa mendengar sebuah keluhan organisasi lalu mengerjakan tiga hal: menentukan jenis tugas data mining yang cocok, menuliskannya sebagai pernyataan tugas yang lengkap, dan menilai apakah masalah itu memang pantas digarap dengan data mining.

Satu catatan penting sebelum mulai

Tidak semua masalah pantas digarap dengan data mining. Sebagian cukup dijawab dengan laporan bulanan biasa. Sebagian lagi sebenarnya masalah proses kerja — penyebabnya sudah diketahui semua orang, tinggal dibereskan.

Menyimpulkan "masalah ini tidak perlu data mining" setelah pemeriksaan yang tertib bukanlah kegagalan. Itu hasil kerja yang baik, dan sering kali menghemat berbulan-bulan tenaga orang lain.

Penyaring paling berguna: jawabannya berbentuk apa?

Pemula biasanya bertanya, "Untuk kasus ini algoritma apa yang dipakai?" Pertanyaan yang jauh lebih berguna adalah: "Jawaban yang diminta itu berbentuk apa?"

Dari bentuk jawaban inilah jenis tugas ditentukan. Ada lima bentuk jawaban yang paling sering diminta organisasi, dan masing-masing punya nama tugasnya sendiri.

1. Klasifikasi — jawabannya sebuah label dari daftar tertutup

Bentuk pertanyaannya: "Objek ini termasuk golongan yang mana?" atau "Apakah X akan menjadi Y?"

Cirinya, daftar kemungkinan jawaban sudah ditetapkan sebelum pekerjaan dimulai: ya/tidak, lancar/kurang lancar/macet, layak dikunjungi/tidak. Model tidak boleh mengarang golongan baru.

Syaratnya: harus ada contoh dari masa lalu yang jawabannya sudah diketahui — inilah yang disebut data berlabel. Untuk melatih model menebak siapa yang akan berhenti menyetor, Anda harus punya daftar anggota masa lalu yang sudah ketahuan berhenti dan yang tidak.

Contoh: apakah pengajuan pinjaman ini berisiko menunggak; apakah keluhan pelanggan yang masuk ini termasuk keluhan tagihan, jaringan, atau layanan.

2. Regresi — jawabannya sebuah angka

Bentuk pertanyaannya: "Berapa banyak? Berapa lama? Berapa rupiah?"

Bedanya dengan klasifikasi ada pada skala jawaban. Di klasifikasi, jawaban hanya benar atau salah. Di regresi, jawaban bisa meleset sedikit atau meleset jauh, dan kesalahannya diukur sebagai selisih.

Contoh: berapa kilogram cabai yang akan terjual di sebuah pasar induk minggu depan; berapa hari sebuah pengajuan izin akan selesai diproses; berapa meter kubik air yang akan dipakai sebuah rumah tangga bulan depan.

Seperti klasifikasi, regresi juga membutuhkan contoh masa lalu — bedanya yang diketahui bukan label, melainkan nilai sebenarnya. Karena keduanya belajar dari jawaban yang sudah diketahui, klasifikasi dan regresi sering disebut tugas terbimbing.

3. Klasterisasi — jawabannya sekumpulan kelompok yang belum bernama

Bentuk pertanyaannya: "Sebenarnya ada berapa tipe di antara mereka, dan apa ciri masing-masing?"

Di sini tidak ada daftar kelompok yang disiapkan lebih dulu. Justru daftar itulah yang dicari. Mesin mengusulkan pengelompokan berdasarkan kemiripan; manusia yang menamai kelompok-kelompok itu dan menilai apakah pengelompokannya berguna.

Contoh: mengelompokkan anggota koperasi berdasarkan pola setoran dan penarikan, agar produk simpanan bisa dibedakan; mengelompokkan sekolah dasar di satu kota berdasarkan pola kehadiran dan jumlah guru, agar bentuk pendampingannya tidak diseragamkan.

Karena tidak ada kunci jawaban, keberhasilan klasterisasi dinilai dari dua hal: apakah kelompoknya cukup stabil kalau datanya diubah sedikit, dan apakah perbedaan antarkelompok cukup berarti untuk ditindaklanjuti.

4. Aturan asosiasi — jawabannya pola yang sering muncul bersamaan

Bentuk pertanyaannya: "Apa yang cenderung muncul bersama-sama dalam satu kejadian?"

Bentuk jawabannya khas: jika A muncul, maka B cenderung ikut muncul. Data yang dibutuhkan juga khas — data transaksi, di mana satu keranjang belanja, satu kunjungan, atau satu struk dianggap sebagai satu kejadian.

Contoh: dari struk sebuah toko bahan bangunan, cat tembok sering dibeli bersama kuas rol dan kertas amplas — berguna untuk menata rak dan menyusun paket promo. Contoh di luar ritel: di sebuah poliklinik, pemeriksaan mana yang biasanya diminta bersamaan, agar antrean laboratorium bisa ditata.

Satu peringatan yang wajib diingat: muncul bersamaan bukan berarti yang satu menyebabkan yang lain.

5. Deteksi anomali — jawabannya daftar hal yang menyimpang

Bentuk pertanyaannya: "Mana yang tidak seperti biasanya dan pantas diperiksa manusia?"

Tugas ini dipakai ketika kejadian yang dicari jarang terjadi, bentuknya berubah-ubah, atau contohnya terlalu sedikit untuk dipelajari sebagai label. Keluarannya bukan vonis, melainkan daftar prioritas untuk ditinjau.

Contoh: tagihan air pelanggan yang melonjak jauh di luar kebiasaannya sendiri; pencatatan kehadiran yang polanya ganjil; transaksi pengeluaran yang menyimpang dari kelaziman.

Dua pertanyaan yang memilihkan tugas untuk Anda

Pertanyaan 1 — Jawabannya berbentuk apa? Label dari daftar tertutup, angka, kelompok yang belum bernama, pola pasangan, atau daftar penyimpangan.

Pertanyaan 2 — Apakah kita punya contoh jawaban yang benar dari masa lalu? Kalau ya, arahnya klasifikasi atau regresi. Kalau tidak, arahnya klasterisasi, aturan asosiasi, atau deteksi anomali.

Dua pertanyaan ini menyelesaikan sebagian besar kebingungan pemula.

Satu kebutuhan bisa melahirkan beberapa tugas

Keluhan koperasi di unit sebelumnya bisa berkembang menjadi tiga tugas sekaligus: klasterisasi untuk mengenali tipe anggota, klasifikasi untuk memperkirakan siapa yang akan berhenti, dan regresi untuk memperkirakan nilai setoran. Itu wajar. Yang tidak wajar adalah mengerjakan ketiganya sekaligus. Pilih satu yang paling dekat dengan keputusan yang benar-benar akan diambil bulan depan.

Batas yang perlu diketahui sejak awal

Kelima tugas ini menjawab pertanyaan apa, siapa, berapa, dan mana. Tidak satu pun dari mereka, dengan sendirinya, menjawab mengapa dalam arti sebab-akibat. Untuk memastikan sebab, dibutuhkan rancangan lain — misalnya uji coba terkendali, di mana perlakuan diberikan pada sebagian pihak dan tidak pada sebagian yang lain. Ini akan sering kita singgung lagi.

Dari niat baik menjadi kalimat yang bisa dikerjakan

Mengetahui jenis tugas belum cukup. "Kita akan melakukan klasifikasi anggota yang berhenti menabung" masih terlalu kabur untuk dikerjakan. Empat hal berikut harus disebutkan secara eksplisit. Kalau salah satunya hilang, pekerjaan akan berhenti di tengah jalan atau — lebih buruk — berjalan terus ke arah yang keliru.

Kerangka kalimatnya kira-kira begini:

Untuk setiap [unit analisis], berdasarkan data selama [jendela pengamatan], memperkirakan [target] pada [jendela hasil]. Pekerjaan dianggap berhasil bila [kriteria], dan hasilnya akan dipakai untuk [tindakan].

1. Unit analisis — satu baris data mewakili apa?

Pertanyaannya sederhana tapi sering dilewati: satu baris dalam tabel yang akan Anda olah itu mewakili apa? Satu anggota? Satu transaksi? Satu pasangan anggota-dan-bulan? Satu cabang?

Bedanya nyata. Kalau unit analisisnya anggota, setiap orang muncul sekali dan Anda menebak nasibnya sekali. Kalau unit analisisnya anggota-bulan, seorang anggota bisa muncul dua belas kali dalam setahun dan Anda menebak keadaannya setiap bulan. Yang kedua jauh lebih cocok untuk pekerjaan yang keputusannya diulang tiap bulan.

Salah memilih unit analisis membuat definisi target dan pemilihan variabel ikut salah — dan biasanya baru ketahuan setelah berminggu-minggu kerja.

2. Target — definisi operasional yang bisa dihitung

"Berhenti menabung" bukan definisi; itu istilah percakapan. Definisi operasional terdengar seperti ini: tidak ada satu pun setoran selama 90 hari berturut-turut, sementara rekening belum ditutup.

Ujinya begini: kalau dua petugas berbeda diberi data yang sama dan definisi yang sama, mereka harus menghasilkan daftar nama yang persis sama. Kalau masih bisa berbeda, definisinya belum selesai.

Dua catatan. Pertama, angka 90 hari bukan angka sakti; ia harus disepakati bersama pengurus dan dijelaskan alasannya. Kedua, untuk klasterisasi tidak ada target — yang harus disepakati sebagai gantinya adalah dasar kemiripan: variabel apa yang membuat dua objek dianggap mirip.

3. Jendela waktu — dua jendela, dan keduanya tidak boleh bertumpuk

Ada dua jendela waktu yang harus disebut:

• Jendela pengamatan — periode dari mana ciri-ciri (variabel masukan) diambil.
• Jendela hasil — periode kapan target diukur.

Aturannya keras dan tidak boleh ditawar: semua variabel masukan harus sudah tersedia pada titik keputusan diambil, dan jendela hasil berada sesudah titik itu.

Contoh pelanggaran yang sangat sering terjadi: memprediksi pelanggan yang berhenti berlangganan pada bulan Maret, tetapi salah satu variabelnya adalah jumlah panggilan pengaduan selama bulan Maret. Sepintas hasilnya luar biasa bagus. Wajar saja — pelanggan yang sudah memutuskan berhenti memang menelepon lebih dulu. Di lapangan, angka Maret belum ada ketika Anda harus mengambil keputusan di akhir Februari.

Gejala semacam ini disebut kebocoran. Cirinya khas: hasil pengujian terlalu bagus, hasil di lapangan mengecewakan.

4. Kriteria keberhasilan — dua lapis, jangan hanya satu

Lapis teknis. Seberapa sering tebakannya tepat — dan yang penting, dibandingkan dengan apa. Selalu siapkan pembanding sederhana: menebak semua anggota "tidak akan berhenti", atau aturan lama yang selama ini dipakai petugas. Model yang tidak mengalahkan pembanding sederhana tidak layak dipakai, sebagus apa pun angkanya terdengar.

Lapis keputusan. Apa yang berubah di lapangan. Ini yang paling sering lupa ditulis. Kalau petugas hanya sanggup mengunjungi 150 anggota per bulan, maka yang perlu diukur adalah ketepatan pada 150 nama teratas — bukan ketepatan rata-rata pada seluruh anggota. Kapasitas tindakan menentukan cara mengukur keberhasilan.

Uji kelayakan: lima pertanyaan sebelum menyanggupi

Sebelum menyatakan sanggup, jawab lima pertanyaan ini secara jujur.

1. Apakah jawabannya bisa salah? Kalau yang diminta hanya menghitung apa yang sudah terjadi — jumlah, rata-rata, peringkat cabang — itu laporan, bukan data mining. Laporan bukan pekerjaan rendahan; ia hanya alat yang berbeda, dan jauh lebih murah.
2. Apakah datanya ada, dan tersedia pada saat keputusan diambil? Data yang baru terisi setelah kejadian berlalu tidak bisa dipakai untuk memperkirakan kejadian itu.
3. Apakah contoh kejadiannya cukup banyak? Kalau kasus yang ingin diperkirakan hanya terjadi beberapa kali dalam sejarah pencatatan, mesin tidak punya cukup bahan untuk belajar polanya. Pertimbangkan deteksi anomali, atau tunda sampai pencatatan lebih kaya.
4. Apakah ada tindakan yang berubah karena jawabannya? Kalau tidak ada yang akan dikerjakan berbeda apa pun hasilnya, hentikan sekarang. Ini penyaring paling ampuh dan paling sering dilewati.
5. Apakah penyebabnya sebenarnya sudah diketahui? Kalau semua orang sudah tahu sebabnya dan solusinya berlaku untuk semua orang, yang dibutuhkan adalah perbaikan proses, bukan model.

Tiga hasil yang sama-sama sah

Tahap ini boleh berakhir dengan tiga kesimpulan berbeda: masalahnya layak digarap — lanjut ke penelusuran data; masalahnya cukup dijawab laporan atau perbaikan proses — sampaikan dengan sopan dan hemat berbulan-bulan tenaga; atau masalahnya layak tetapi datanya belum ada — maka pekerjaan pertama adalah membenahi pencatatan, dan itu pun hasil kerja yang berharga.

Kasusnya

Koperasi simpan pinjam Karya Bersama melayani anggota di sebuah kabupaten melalui empat ranting. Pengurus resah karena setoran simpanan sukarela terus menyusut. Permintaannya: "Tolong cari tahu kenapa anggota berhenti menabung."

Semua angka di bawah ini adalah ilustrasi untuk latihan, bukan data koperasi yang nyata.

Data yang tersedia:

Jumlah anggota aktif sekitar 4.200 orang.

Langkah 1 — Tanyakan keputusan apa yang menunggu jawaban

Sebelum menyentuh data, satu pertanyaan ke pengurus: "Kalau saya berikan jawabannya besok, apa yang akan Bapak dan Ibu kerjakan?"

Jawaban pengurus: petugas lapangan akan mengunjungi anggota untuk menawarkan penjadwalan setoran yang lebih ringan. Kapasitasnya sekitar 150 kunjungan per bulan untuk seluruh koperasi.

Satu kalimat ini mengubah segalanya. Yang dibutuhkan bukan penjelasan umum, melainkan daftar 150 nama berurut prioritas, setiap bulan.

Langkah 2 — Tentukan bentuk jawaban, lalu jenis tugasnya

Bentuk jawaban yang dibutuhkan: label per anggota (perlu dikunjungi / tidak), atau lebih tepatnya urutan prioritas. Apakah ada contoh masa lalu yang jawabannya sudah diketahui? Ada — riwayat transaksi sejak 2019 memungkinkan kita menandai siapa saja yang di masa lalu berhenti menyetor.

Jenis tugas: klasifikasi.

Alternatif yang dipertimbangkan lalu ditolak: regresi untuk memperkirakan nominal setoran bulan depan. Ditolak bukan karena mustahil, tetapi karena keputusan yang menunggu adalah siapa yang dikunjungi, bukan berapa rupiah yang masuk.

Langkah 3 — Tetapkan unit analisis

Pilihan pertama yang terlintas: satu baris per anggota. Tetapi keputusan kunjungan diambil setiap bulan, dan status seorang anggota bisa berubah dari bulan ke bulan.

Unit analisis: satu baris = satu anggota pada satu bulan pengamatan (anggota-bulan). Dengan begitu, seorang anggota yang aman pada Maret tetapi mulai jarang menyetor pada Juni akan muncul dua kali dengan keadaan berbeda.

Langkah 4 — Definisikan target sampai bisa dihitung

Draf pertama: "anggota yang berhenti menabung". Belum bisa dihitung.

Setelah dibicarakan dengan pengurus, disepakati:

Target = 1 bila anggota tidak melakukan satu pun setoran simpanan sukarela selama 90 hari berturut-turut sesudah titik pengamatan, sementara rekeningnya belum ditutup dan ia tidak sedang berstatus pindah domisili.

Alasan 90 hari: pengurus menilai anggota yang absen dua bulan masih lazim karena pola penghasilan musiman, sedangkan absen tiga bulan hampir selalu berlanjut menjadi berhenti. Angka ini dicatat sebagai kesepakatan, bukan kebenaran, dan boleh ditinjau ulang.

Langkah 5 — Pasang dua jendela waktu

Titik pengamatan: akhir setiap bulan.

• Jendela pengamatan: 6 bulan sebelum titik pengamatan. Contoh untuk titik akhir Juni 2025 → data Januari–Juni 2025.
• Jendela hasil: 3 bulan sesudah titik pengamatan → Juli–September 2025.

Semua variabel harus berasal dari jendela pengamatan saja: frekuensi setoran per bulan, tren nominal, jarak hari sejak setoran terakhir, rasio penarikan terhadap setoran, status angsuran pinjaman, lama keanggotaan, dan ranting.

Yang dibuang: kolom catatan_kunjungan. Dua alasan — pengisiannya tidak rutin, dan catatan itu justru sering dibuat setelah petugas mendengar anggota berniat berhenti. Memakainya akan menghasilkan kebocoran.

Langkah 6 — Tetapkan kriteria keberhasilan

Pembanding sederhana: cara pengurus sekarang, yaitu petugas memilih berdasarkan ingatan dan kedekatan pribadi.

Lapis teknis: dari 150 nama teratas yang diusulkan model setiap bulan, proporsi yang benar-benar berhenti menyetor dalam tiga bulan berikutnya harus lebih tinggi daripada proporsi pada 150 nama yang dipilih dengan cara lama. Perbandingannya diuji pada periode yang sama.

Lapis keputusan: dalam enam bulan uji coba, jumlah anggota yang kembali menyetor setelah dikunjungi harus lebih banyak dibandingkan enam bulan sebelumnya.

Langkah 7 — Jalankan uji kelayakan

1. Jawabannya bisa salah? Ya — ini perkiraan tentang masa depan.
2. Datanya ada saat keputusan diambil? Ya, setelah catatan_kunjungan dibuang.
3. Contohnya cukup banyak? Ya. Dengan 4.200 anggota dan riwayat sejak 2019, kasus berhenti menyetor terkumpul cukup banyak untuk dipelajari.
4. Ada tindakan yang berubah? Ya — urutan 150 kunjungan bulanan.
5. Penyebabnya sudah diketahui? Belum, dan pengurus pun berbeda pendapat.

Kesimpulan: layak digarap.

Langkah 8 — Tulis pernyataan tugasnya

Untuk setiap anggota aktif pada setiap akhir bulan, berdasarkan data transaksi dan pinjaman enam bulan sebelumnya, memperkirakan apakah anggota tersebut tidak akan melakukan setoran sama sekali selama 90 hari berturut-turut pada tiga bulan sesudah titik pengamatan. Pekerjaan dianggap berhasil bila ketepatan pada 150 nama prioritas teratas melampaui cara pemilihan lama, dan hasilnya akan dipakai untuk menyusun daftar kunjungan petugas lapangan setiap bulan.

Bandingkan dengan permintaan awal: "cari tahu kenapa anggota berhenti menabung." Kalimat terakhir bisa dikerjakan mulai besok pagi. Kalimat pertama tidak.

Catatan penutup

Perhatikan bahwa pertanyaan "kenapa" tidak pernah benar-benar terjawab. Yang kita bangun adalah alat untuk menemukan siapa lebih dulu. Soal sebab, jawabannya justru akan datang dari petugas yang mengunjungi 150 anggota itu dan mendengarkan langsung — dan itu bukan pekerjaan mesin.

Salah paham berikut bukan kesalahan orang bodoh. Semuanya lahir dari cara berpikir yang wajar — dan justru karena itu sulit dikenali dari dalam.

1. "Data mining menjawab pertanyaan kenapa"

Kenapa muncul: karena permintaan organisasi hampir selalu berbunyi "kenapa". Kenapa penjualan turun, kenapa anggota berhenti, kenapa pasien tidak kembali kontrol.

Koreksinya: kelima jenis tugas yang kita pelajari menjawab apa, siapa, berapa, dan mana. Model bisa menunjukkan bahwa anggota yang jarak setoran terakhirnya panjang lebih sering berhenti. Itu kaitan, bukan sebab. Bisa jadi keduanya sama-sama akibat dari hal ketiga — misalnya penghasilan musiman yang sedang seret.

Untuk memastikan sebab, dibutuhkan rancangan lain, misalnya uji coba terkendali: perlakuan diberikan pada sebagian pihak yang dipilih acak, dan tidak diberikan pada sebagian lain, lalu hasilnya dibandingkan.

Akibat praktisnya: kalau Anda menjanjikan "kenapa" tetapi menyerahkan "siapa", pengurus akan merasa ditipu — meskipun pekerjaan Anda sendiri sebenarnya benar. Luruskan harapan itu di rapat pertama, bukan di rapat terakhir.

2. "Yang penting datanya banyak dulu; pertanyaannya belakangan"

Kenapa muncul: karena mengumpulkan data terasa produktif dan tidak menuntut keputusan apa pun.

Koreksinya: data yang banyak tanpa pertanyaan yang tajam hanya memperbanyak arah yang bisa ditempuh, dan hampir semuanya buntu. Sebaliknya, pertanyaan yang tajam sering menunjukkan bahwa data yang benar-benar dibutuhkan cuma tiga kolom — dan kadang menunjukkan bahwa tiga kolom itu belum pernah dicatat.

Akibat praktisnya: proyek berbulan-bulan yang berakhir dengan gudang data rapi yang tidak dipakai siapa pun.

3. "Kalau ada label, berarti klasifikasi; kalau tidak ada, klasterisasi"

Kenapa muncul: aturan ini setengah benar, dan setengah benar itu yang berbahaya.

Koreksinya: ketersediaan label memang menyaring pilihan, tetapi bentuk jawaban yang diminta tetap yang menentukan. Tiga catatan tambahan. Pertama, label sering bisa dibuat dari data yang ada — di kasus koperasi, label "berhenti menyetor" tidak tersedia sebagai kolom; kita menyusunnya sendiri dari riwayat transaksi. Kedua, label yang tersedia belum tentu boleh dipakai; kalau ia baru terisi setelah kejadian, itu kebocoran. Ketiga, ada tugas tanpa label yang sama sekali bukan klasterisasi — aturan asosiasi dan deteksi anomali juga tidak butuh label.

Akibat praktisnya: kolom yang kelihatan seperti label emas dipakai tanpa diperiksa, hasil uji melambung, lalu jatuh di lapangan.

4. "Akurasi 95 persen berarti proyek berhasil"

Kenapa muncul: angka tunggal yang tinggi terasa meyakinkan dan mudah dilaporkan.

Koreksinya: kalau hanya 5 dari 100 anggota yang berhenti menyetor, model yang menjawab "tidak ada yang berhenti" untuk semua orang sudah benar 95 persen — dan sama sekali tidak berguna. Karena itu pembanding sederhana wajib dihitung lebih dulu. Selain itu, ukuran yang tepat bergantung pada kapasitas tindakan: kalau hanya 150 anggota bisa dikunjungi, yang diukur adalah ketepatan pada 150 nama teratas.

Akibat praktisnya: laporan berisi angka mengesankan yang tidak mengubah apa pun di lapangan.

5. "Klasterisasi tidak bisa salah, kan tidak ada kunci jawabannya"

Kenapa muncul: karena tidak ada label yang bisa dicocokkan, orang menyimpulkan tidak ada yang bisa dinilai.

Koreksinya: klasterisasi bisa gagal dengan sangat jelas, dalam tiga bentuk. Kelompoknya tidak stabil — data ditambah sedikit, pengelompokannya berubah total. Kelompoknya tidak bisa ditafsirkan — tidak ada orang di organisasi yang mengenali kelompok itu sebagai sesuatu yang nyata. Atau kelompoknya tidak bisa ditindaklanjuti — ada empat kelompok, tetapi perlakuan koperasi terhadap keempatnya tetap sama persis.

Akibat praktisnya: diagram warna-warni yang tidak mengubah satu pun keputusan.

6. "Deteksi anomali itu cuma nama lain dari klasifikasi kecurangan"

Kenapa muncul: keduanya sering dipakai di konteks yang sama, misalnya pemeriksaan transaksi.

Koreksinya: keduanya berangkat dari bahan yang berbeda. Klasifikasi membutuhkan cukup banyak contoh kecurangan yang sudah terbukti dan bentuknya berulang — ia belajar mengenali pola yang pernah dilihat. Deteksi anomali tidak membutuhkan contoh itu; ia belajar seperti apa yang lazim, lalu menandai yang jauh menyimpang. Karena itu deteksi anomali cocok ketika kasusnya sangat jarang dan modusnya berubah-ubah, sedangkan klasifikasi lebih tajam ketika modusnya berulang dan contohnya banyak.

Akibat praktisnya: memaksakan klasifikasi pada tiga kasus kecurangan dalam lima tahun akan menghasilkan model yang seolah-olah bekerja, padahal hanya menghafal tiga kejadian itu.

Petunjuk pengerjaan

Kuis ini berisi empat soal pilihan ganda. Semuanya memakai kasus yang belum pernah muncul di unit sebelumnya — koperasi Karya Bersama tidak akan muncul lagi di sini. Tujuannya bukan menguji ingatan Anda tentang contoh yang sudah dibahas, melainkan menguji apakah Anda bisa memakai cara berpikirnya pada situasi baru.

Karena itu, jangan mencari kalimat yang mirip di materi. Yang perlu Anda lakukan pada setiap soal adalah:

1. Tentukan bentuk jawaban yang diminta oleh organisasi dalam kasus itu — label, angka, kelompok yang belum bernama, pola pasangan, atau daftar penyimpangan.
2. Periksa apakah ada contoh jawaban benar dari masa lalu, dan apakah jumlahnya memadai.
3. Periksa waktunya — apakah semua data yang dipakai sudah tersedia pada saat keputusan diambil.
4. Tanyakan apakah ada tindakan yang berubah karena jawaban itu. Kalau tidak ada, kemungkinan besar masalahnya bukan tugas data mining.

Beberapa soal sengaja menyediakan pilihan yang sepintas masuk akal. Pilihan semacam itu biasanya gugur bukan karena mustahil dikerjakan, melainkan karena tidak menjawab keputusan yang sedang menunggu, atau karena melanggar salah satu syarat di atas. Bacalah setiap kasus sampai habis — keterangan yang menentukan sering berada di kalimat terakhir.

Cara mengerjakan. Kerjakan tanpa membuka catatan terlebih dahulu, lalu periksa kembali jawaban Anda dengan catatan terbuka. Untuk setiap soal, tuliskan satu kalimat alasan sebelum melihat pembahasan. Kalau alasan Anda berbeda dari pembahasan meskipun jawabannya sama, itu tetap perlu diperiksa — jawaban benar dengan alasan keliru akan runtuh pada kasus berikutnya.

Tidak ada batas waktu. Anda boleh mengulang kuis ini sebanyak yang diperlukan. Sasaran yang wajar sebelum lanjut ke Modul 2: benar minimal tiga dari empat soal, dan mampu menjelaskan kenapa tiga pilihan lainnya salah pada setiap soal.

Yang sudah kita bangun

Modul ini bertumpu pada satu gagasan: pekerjaan data mining dimulai dari pertanyaan, bukan dari algoritma. Kesalahan pada tahap perumusan tidak bisa diperbaiki oleh model yang lebih canggih, dan hampir selalu baru ketahuan setelah berminggu-minggu tenaga terpakai.

Enam langkah proyek

Memahami kebutuhan → merumuskan tugas → menelusuri data → menyiapkan data → membangun dan menguji model → memutuskan dan memantau. Alurnya berputar, bukan lurus. Modul ini mengerjakan dua langkah pertama.

Lima jenis tugas, dikenali dari bentuk jawabannya

Dua pertanyaan penyaring yang menyelesaikan sebagian besar kebingungan: jawabannya berbentuk apa, dan apakah kita punya contoh jawaban benar dari masa lalu.

Empat komponen pernyataan tugas

Unit analisis — satu baris data mewakili apa. Target — definisi operasional yang bisa dihitung, sampai dua orang berbeda menghasilkan daftar yang sama. Jendela waktu — jendela pengamatan untuk variabel masukan, jendela hasil untuk mengukur target, dan tidak boleh bertumpuk. Kriteria keberhasilan — lapis teknis dengan pembanding sederhana, dan lapis keputusan yang menyebut apa yang berubah di lapangan.

Lima pertanyaan kelayakan

Apakah jawabannya bisa salah; apakah datanya tersedia saat keputusan diambil; apakah contoh kejadiannya cukup banyak; apakah ada tindakan yang berubah; apakah penyebabnya sebenarnya sudah diketahui.

Dan tiga kesimpulan yang sama-sama sah: layak digarap, cukup dengan laporan atau perbaikan proses, atau layak tetapi pencatatannya harus dibenahi lebih dulu.

Daftar periksa mandiri

Ambil satu kebutuhan nyata dari tempat kerja Anda — atau kalau belum ada, pakai kasus yang Anda karang sendiri secara masuk akal. Kerjakan daftar ini sampai semua butir tercentang. Ini latihan menulis, bukan latihan membaca.

Tentang jenis tugas

• [ ] Saya bisa menyebutkan bentuk jawaban yang diminta: label, angka, kelompok, pola pasangan, atau daftar penyimpangan.
• [ ] Saya bisa menyebut jenis tugasnya dan menjelaskan kenapa bukan dua jenis lain yang paling mirip.
• [ ] Saya sudah memeriksa apakah tersedia contoh jawaban benar dari masa lalu — dan kalau belum ada, apakah bisa disusun sendiri dari data yang ada.

Tentang pernyataan tugas

• [ ] Saya bisa menyebut apa yang diwakili satu baris data.
• [ ] Definisi target saya bisa dihitung tanpa penafsiran tambahan; dua petugas berbeda akan menghasilkan daftar yang sama.
• [ ] Saya sudah menetapkan jendela pengamatan dan jendela hasil, dan memastikan keduanya tidak bertumpuk.
• [ ] Saya sudah memeriksa satu per satu variabel masukan: semuanya sudah tersedia pada titik keputusan diambil.
• [ ] Saya punya pembanding sederhana untuk menilai apakah model saya layak dipakai.
• [ ] Kriteria keberhasilan saya menyebut apa yang berubah di lapangan, bukan hanya angka teknis.
• [ ] Saya tahu berapa banyak kasus yang sanggup ditindaklanjuti organisasi per periode, dan mengukur keberhasilan pada jumlah itu.

Tentang kelayakan

• [ ] Saya sudah menjawab kelima pertanyaan kelayakan, termasuk yang jawabannya tidak menyenangkan.
• [ ] Saya bisa menyebut satu keputusan konkret yang akan berubah karena hasil pekerjaan ini.
• [ ] Saya sudah memastikan bahwa masalah ini tidak cukup dijawab dengan laporan biasa atau perbaikan proses.

Tentang harapan pemberi tugas

• [ ] Saya sudah menyampaikan bahwa pekerjaan ini menjawab siapa, apa, berapa, atau mana — bukan mengapa dalam arti sebab-akibat.
• [ ] Saya bisa menuliskan seluruh pernyataan tugas dalam satu kalimat yang dipahami orang non-teknis.

Butir terakhir adalah ujian yang paling jujur. Kalau pernyataan tugas Anda tidak bisa dipahami bendahara koperasi atau kepala puskesmas dalam sekali baca, biasanya bukan mereka yang kurang paham — melainkan rumusan Anda yang belum selesai.

Yang menanti di modul berikutnya

Modul 2 masuk ke langkah ketiga: menelusuri dan menilai data yang tersedia. Anda akan berlatih membaca data apa adanya — memeriksa kelengkapan, mengenali nilai yang hilang dan yang ganjil, serta menilai apakah data yang ada benar-benar mampu menopang pernyataan tugas yang sudah Anda tulis. Bawalah satu pernyataan tugas hasil daftar periksa di atas; itu akan menjadi bahan latihan Anda sendiri.