Implementasi Data Sekunder Di Berbagai Studi Kasus Data Science

Data merupakan komponen terpenting terutama sebagai alat pengambilan keputusan dan untuk alternatif dalam melaksanakan kegiatan. Data sendiri dibagi ke dalam beberapa jenis, berdasarkan cara memperolehnya data dibagi atas dua jenis yaitu data primer dan sekunder. Dimana, masing-masing dari data tersebut memiliki kelebihan dan kekurangannya. Implementasi data sekunder cenderung lebih mudah dan cepat karena datanya sudah tersedia. Selain itu implementasi data sekunder biasanya sering dijadikan data andalan untuk studi kasus data science. 

Penggunaan data sekunder untuk berbagai studi kasus data science memang paduan yang cocok. Dengan menggunakan data sekunder dalam menganalisa berbagai studi kasus di bidang data science cenderung lebih praktis dan dapat memangkas waktu pengerjaan kamu. Dalam artikel ini DQLab akan menyuguhkan 4 contoh implementasi data sekunder di berbagai studi kasus data science. Jadi, mari kita simak artikel dibawah ini hingga selesai!

1. Recommendation System

Ketika kamu membuka platform e-commerce pasti kamu terbiasa dengan saran tentang produk serupa bukan ?  Mereka tidak hanya membantu Anda menemukan produk yang relevan dari miliaran produk yang tersedia bersama mereka, tetapi juga menambahkan banyak hal pada pengalaman pengguna. Banyak perusahaan telah dengan bersemangat menggunakan sistem ini untuk mempromosikan produk mereka sesuai dengan minat pengguna dan relevansi informasi. Raksasa internet seperti Amazon, Twitter, Google Play, Netflix, Linkedin, imdb, dan banyak lagi menggunakan sistem ini untuk meningkatkan pengalaman pengguna. Rekomendasi dibuat berdasarkan hasil pencarian sebelumnya untuk pengguna. Data sekunder juga sangat sering digunakan untuk studi kasus ini. 

Baca juga : Teknik Pengumpulan Data Sekunder, Apa Saja Sumber Data yang Bisa Digunakan?

2. Mencegah Penipuan dengan Fraud and Risk Detection

Selain di bidang kesehatan data science juga merambah industri finance atau keuangan, yaitu penerapannya digunakan untuk fraud and risk detection. Sama seperti bank yang memiliki analisis resiko otomatis, industri keuangan juga menggunakan data science untuk tugas ini. Industri keuangan mengotomatiskan analisis risiko untuk menjalankan keputusan strategis bagi perusahaan. Dengan menggunakan machine learning, mereka mengidentifikasi, memantau, dan memprioritaskan risiko. Algoritma machine learning ini meningkatkan efisiensi biaya dan keberlanjutan model melalui data training pelanggan yang tersedia secara masif. Demikian pula, lembaga keuangan menggunakan pembelajaran mesin untuk analitik prediktif. Ini memungkinkan perusahaan untuk memprediksi nilai umur pelanggan dan pergerakan pasar saham mereka. Selain itu, hal tersebut juga membantu mereka dalam mendorong produk perbankannya berdasarkan daya beli nasabah. Kamu bisa memanfaatkan data sekunder dari lembaga resmi dari pemerintahan ataupun non pemerintahan seperti data dari Bank Indonesia, dan lainnya.

3. Medical Image Analysis

Selain dari industri e-commerce, penerapan data science juga populer di industri kesehatan. Salah satu penerapan yang populer di industri kesehatan adalah medical image analysis, dengan sistem tersebut data science digunakan untuk mendeteksi tumor, stenosis arteri, CT scan dengan cara menerapkan metode MapReduce agar dapat menemukan parameter optimal untuk tugas- tugas seperti klasifikasi kondisi paru-paru dengan menerapkan metode machine learning atau deep learning. Sebelumnya, dokter dan pemeriksa medis harus mencari petunjuk dalam citra medis secara manual. Namun, dengan kemajuan teknologi komputasi dan lonjakan data, dimungkinkan untuk membuat mesin yang dapat secara otomatis mendeteksi kekurangan pada citra. Sehingga terciptalah sebuah sistem otomatis untuk mendeteksi citra. Seorang data scientist dapat membuat alat pengenalan gambar yang kuat, yang memungkinkan dokter dan pemeriksa medis memiliki pemahaman mendalam tentang citra medis yang kompleks.

4. Mengenali Keinginan Customer dengan Customer Segmentation

Customer segmentation sangat bermanfaat terutama di bidang retail. Sebagai contoh kasus jika kamu bekerja disebuah restoran burger dan kamu kedapatan melayani 3 orang konsumen, dimana ketiga pelanggan tersebut memesan 3 paket burger yang sama lalu kamu menyajikannya. Setelah mereka selesai makan kamu membersihkan meja mereka dan kamu melihat di piring sang anak tersisa selada yang tidak dimakan, dan di piring si ibu tersisa beberapa porong kentang, sementara di piring sang ayah habis semua. Hal ini membuktikan bahwa setiap orang memiliki selera yang berbeda, kemudian kamu pun membuat sebuah menu baru dan ternyata menu baru kamu lebih banyak dibeli. Contoh kasus ini bisa disebut dengan customer segmentation, dimana kamu memetakan karakteristik pelanggan kamu berdasarkan usia, profesi, tempat tinggal dan lainnya, untuk menentukan bagaimana cara menangani kelompok tertentu.

Baca juga : Metode Pengumpulan Data Sekunder, Bisa Menggunakan Apa Saja Sih?

5. Pelajari Tentang Sumber Data Sekunder Bersama DQLab

Bersama DQLab kamu akan disediakan sumber data primer dan sekunder sehingga kamu bisa langsung mengasah skill tanpa perlu mencari sumber data untuk berlatih atau membangun portfolio kamu. Selain itu, belajar kamu jadi lebih terarah dan kamu juga dapat terhindar dari overdosis informasi, selain itu kamu tidak perlu bingung dengan urusan waktu, karena dengan kursus data science online waktu belajar kamu bisa lebih fleksibel dan dapat diakses dimanapun dan kapanpun. Materi-materi yang ditawarkan lengkap dan sesuai dengan kebutuhan industri, disusun oleh mentor-mentor yang kompeten di bidangnya dari perusahaan unicorn dan startup. Jadi, jangan khawatir, kamu bisa mulai kursus data science online bersama DQLab.id ! Sign up sekarang di DQLab.id atau klik button dibawah ini untuk nikmati pengalaman belajar yang seru dan menyenangkan!

Penulis: Rian Tineges

Editor: Annissa Widya Davita