fbpx
Computational Thinking

Mengenal Apa Itu Computational Thinking dalam Data Science

12 Mei 2022

Kemampuan berpikir sangatlah penting untuk dikuasai, apalagi dalam kehidupan sehari-hari dan dunia kerja. Salah satu kemampuan berpikir yang harus Anda miliki adalah computational thinking. Berbagai sumber menyebutkan bahwa perusahaan di masa mendatang akan lebih banyak merekrut karyawan yang memiliki pola pemikiran jenis ini. Lalu, apa itu computational thinking, bagaimana teknik dan cara pikirnya? Simak ulasannya di artikel ini!

Apa itu computational thinking?

Sebelum mengetahui mengenai pendekatan, cara pikir, dan teknik dalam computational thinking, ada baiknya Anda untuk mengetahui definisinya terlebih dahulu. Melansir dari laman BBC, berpikir secara computational adalah suatu kemampuan dalam diri seseorang yang dapat digunakan dalam menganalisis masalah yang kompleks sekalipun.

Di sini, seseorang tentu harus memahami terlebih dahulu apa masalah yang dihadapi. Kemudian, mengembangkan solusi yang tepat guna. Dengan kata lain, teknik ini adalah bagaimana Anda berpikir menemukan solusi menggunakan cara yang bisa dipahami teknologi komputer, manusia, maupun keduanya. 

4 Teknik computational thinking

Dalam menjalankan computational thinking dengan baik dalam berbagai aktivitas, ada beberapa teknik atau metode yang perlu dilakukan. Setidaknya, terdapat empat teknik utama, yakni decomposition, recognition, abstraction, dan algorithms. Seperti apa keempat teknik tersebut? Berikut penjelasannya!

1. Decomposition

Teknik yang pertama adalah decomposition, sebuah proses untuk menentukan dan membuat skenario mengenai pemecahan masalah tertentu. Agar lebih mudah dalam mengatur strategi yang akan diambil, dianjurkan untuk membuat gambaran melalui sebuah bagan tertentu maupun bentuk visualisasi lainnya.

Kemudian, untuk masalah yang sifatnya kompleks dan cukup rumit sebaiknya dipecah menjadi beberapa sistem atau bagian-bagian kecil. Tujuannya adalah untuk lebih mudah dalam mengatur langkah apa saja yang akan diambil nantinya.

Sebagai contoh, Anda akan merencanakan sebuah pesta ulang tahun. Maka, tahap decomposition-nya adalah mengatur apa saja yang diperlukan, siapa saja yang mengerjakan tugas tersebut, apa saja masalah yang dihadapi, termasuk bagaimana skenario pemecahan masalahnya. Skenario lebih dari satu dibuat supaya masalah bisa dipecahkan dengan skenario lain saat skenario awal tidak berhasil.

2. Recognition

Teknik computational thinking yang kedua, yakni tahapan recognition. Sebenarnya, teknik ini hampir sama dengan teknik sebelumnya. Namun, Anda dituntut untuk lebih kreatif dalam menciptakan pemikiran-pemikiran yang solutif atas permasalahan yang lebih kompleks.

Pada tahapan ini seseorang perlu untuk menganalisis sebuah objek permasalahan yang sama atau pengalaman yang sama. Dari hasil identifikasi tersebut akan ditemukan beberapa gambaran-gambaran sebelum seseorang membuat sebuah prediksi. Jadi, walaupun objek dan permasalahan sama, ada perbedaan tersendiri, dan dari situlah nantinya bisa ditentukan prediksi pemecahan masalah tertentu.

Di sini bisa dicontohkan ketika seseorang berpikir tentang pohon. Pada dasarnya, pohon memang memiliki sebuah kesamaan, seperti memiliki batang, cabang, ranting, dan akar. Lalu, dari sini dapat disimpulkan bahwa meskipun pohon memiliki kesamaan secara konstruksi, tetapi pohon memiliki jenis masing-masing, dan penanganan maupun perawatan pohon tersebut tentu berbeda satu dengan lainnya. 

3. Abstraction

Tahap ketiga pada computational thinking adalah abstraction. Untuk tahapan ini, seseorang berfokus pada informasi yang sifatnya relevan dan penting. Hal tersebut akan membuat informasi penting dapat dianalisis secara terpisah dan akan mendapatkan gambaran secara lebih mendetail.

Jadi, tahapan ini memerlukan kejelian dalam mengolah dan menganalisis data yang dimiliki. Seseorang hanya akan menyortir, apakah dari sekian banyak data yang diperoleh, apakah semua akan digunakan akan berdampak pada hal tertentu? Jawabannya cukup relatif.

Gambarannya adalah sebuah perusahaan ingin mengetahui tingkat penjualan dalam satu bulan. Maka, data yang diperlukan di sini adalah data yang berkaitan dengan penjualan produk, berapa barang yang terjual, keuntungan, dan kerugian. Di sisi lain, ada pula data penunjang, misalnya mengapa produk tidak mengalami peningkatan penjualan. Selanjutnya, ini memerlukan data tambahan, seperti tingkat kepuasan konsumen terhadap produk, uji kualitas produk, dan lainnya.

4. Algorithms

Teknik computational thinking keempat atau terakhir adalah teknik algoritma. Di tahapan ini, seseorang perlu mengembangkan langkah-langkah apa saja yang bisa diambil sebagai solusi pemecahan masalah, begitu juga dengan aturan apa saja yang harus diikuti guna memecahkan masalah tersebut.

Tahapan ini pula yang memberikan gambaran tentang dampak-dampak yang akan terjadi ketika strategi yang dibuat sudah dijalankan. Agar lebih mudah, seseorang akan diajak berpikir tentang sebuah kemungkinan-kemungkinan.

Contohnya, seseorang akan membuat sebuah keputusan mengenai inovasi produk. Pertama, apa langkah yang harus dilakukan untuk berinovasi? Kedua, jika melakukan strategi A dan B dalam inovasi maka apa yang akan terjadi? Teknik algoritma ini menekankan pada hubungan kausalitas yang runut dalam penerapannya.

Kesimpulan

Berdasarkan ulasan singkat di atas, tujuan dan manfaat computational thinking adalah untuk memberikan solusi pemecahan masalah yang lebih ringkas dan tepat. Teknik computational thinking ini sangatlah penting bagi seseorang dengan aktivitas dan penanganan masalah yang cukup kompleks dalam bidang pekerjaan yang ditangani, seperti seseorang yang bergerak di bidang data science.

Kini, Anda dapat mendalami materi mengenai data science, salah satunya dengan mengikuti kelas data science dari Algoritma Data Science School. Tersedia beragam kelas mengenai data science yang bisa Anda pilih sesuai kebutuhan atau level expertise yang dimiliki. Selain itu, ada juga kelas untuk individu dan korporat.

Referensi:

  • mobilizingcs – Computational Thinking
  • bbc – Introduction to computational thinking
  • gettingsmart – Early Learning Strategies for Developing Computational Thinking Skills

Yuk belajar data science di Algoritma Data Science Education Center! Kamu bisa ikut berbagai kelas data science untuk pemula, salah satunya di program Academy kami.

PELAJARI LEBIH LANJUT

Related Blog

Distributed Processing
Apa Itu Data Analysis Expressions?
jadi data scientist
Cara Menjadi Data Scientist Handal
Distributed Processing
Mengenal Apa Itu Distributed Processing

Kemampuan berpikir sangatlah penting untuk dikuasai, apalagi dalam kehidupan sehari-hari dan dunia kerja. Salah satu kemampuan berpikir yang harus Anda miliki adalah computational thinking. Berbagai sumber menyebutkan bahwa perusahaan di masa mendatang akan lebih banyak merekrut karyawan yang memiliki pola pemikiran jenis ini. Lalu, apa itu computational thinking, bagaimana teknik dan cara pikirnya? Simak ulasannya di artikel ini!

Apa itu computational thinking?

Sebelum mengetahui mengenai pendekatan, cara pikir, dan teknik dalam computational thinking, ada baiknya Anda untuk mengetahui definisinya terlebih dahulu. Melansir dari laman BBC, berpikir secara computational adalah suatu kemampuan dalam diri seseorang yang dapat digunakan dalam menganalisis masalah yang kompleks sekalipun.

Di sini, seseorang tentu harus memahami terlebih dahulu apa masalah yang dihadapi. Kemudian, mengembangkan solusi yang tepat guna. Dengan kata lain, teknik ini adalah bagaimana Anda berpikir menemukan solusi menggunakan cara yang bisa dipahami teknologi komputer, manusia, maupun keduanya. 

4 Teknik computational thinking

Dalam menjalankan computational thinking dengan baik dalam berbagai aktivitas, ada beberapa teknik atau metode yang perlu dilakukan. Setidaknya, terdapat empat teknik utama, yakni decomposition, recognition, abstraction, dan algorithms. Seperti apa keempat teknik tersebut? Berikut penjelasannya!

1. Decomposition

Teknik yang pertama adalah decomposition, sebuah proses untuk menentukan dan membuat skenario mengenai pemecahan masalah tertentu. Agar lebih mudah dalam mengatur strategi yang akan diambil, dianjurkan untuk membuat gambaran melalui sebuah bagan tertentu maupun bentuk visualisasi lainnya.

Kemudian, untuk masalah yang sifatnya kompleks dan cukup rumit sebaiknya dipecah menjadi beberapa sistem atau bagian-bagian kecil. Tujuannya adalah untuk lebih mudah dalam mengatur langkah apa saja yang akan diambil nantinya.

Sebagai contoh, Anda akan merencanakan sebuah pesta ulang tahun. Maka, tahap decomposition-nya adalah mengatur apa saja yang diperlukan, siapa saja yang mengerjakan tugas tersebut, apa saja masalah yang dihadapi, termasuk bagaimana skenario pemecahan masalahnya. Skenario lebih dari satu dibuat supaya masalah bisa dipecahkan dengan skenario lain saat skenario awal tidak berhasil.

2. Recognition

Teknik computational thinking yang kedua, yakni tahapan recognition. Sebenarnya, teknik ini hampir sama dengan teknik sebelumnya. Namun, Anda dituntut untuk lebih kreatif dalam menciptakan pemikiran-pemikiran yang solutif atas permasalahan yang lebih kompleks.

Pada tahapan ini seseorang perlu untuk menganalisis sebuah objek permasalahan yang sama atau pengalaman yang sama. Dari hasil identifikasi tersebut akan ditemukan beberapa gambaran-gambaran sebelum seseorang membuat sebuah prediksi. Jadi, walaupun objek dan permasalahan sama, ada perbedaan tersendiri, dan dari situlah nantinya bisa ditentukan prediksi pemecahan masalah tertentu.

Di sini bisa dicontohkan ketika seseorang berpikir tentang pohon. Pada dasarnya, pohon memang memiliki sebuah kesamaan, seperti memiliki batang, cabang, ranting, dan akar. Lalu, dari sini dapat disimpulkan bahwa meskipun pohon memiliki kesamaan secara konstruksi, tetapi pohon memiliki jenis masing-masing, dan penanganan maupun perawatan pohon tersebut tentu berbeda satu dengan lainnya. 

3. Abstraction

Tahap ketiga pada computational thinking adalah abstraction. Untuk tahapan ini, seseorang berfokus pada informasi yang sifatnya relevan dan penting. Hal tersebut akan membuat informasi penting dapat dianalisis secara terpisah dan akan mendapatkan gambaran secara lebih mendetail.

Jadi, tahapan ini memerlukan kejelian dalam mengolah dan menganalisis data yang dimiliki. Seseorang hanya akan menyortir, apakah dari sekian banyak data yang diperoleh, apakah semua akan digunakan akan berdampak pada hal tertentu? Jawabannya cukup relatif.

Gambarannya adalah sebuah perusahaan ingin mengetahui tingkat penjualan dalam satu bulan. Maka, data yang diperlukan di sini adalah data yang berkaitan dengan penjualan produk, berapa barang yang terjual, keuntungan, dan kerugian. Di sisi lain, ada pula data penunjang, misalnya mengapa produk tidak mengalami peningkatan penjualan. Selanjutnya, ini memerlukan data tambahan, seperti tingkat kepuasan konsumen terhadap produk, uji kualitas produk, dan lainnya.

4. Algorithms

Teknik computational thinking keempat atau terakhir adalah teknik algoritma. Di tahapan ini, seseorang perlu mengembangkan langkah-langkah apa saja yang bisa diambil sebagai solusi pemecahan masalah, begitu juga dengan aturan apa saja yang harus diikuti guna memecahkan masalah tersebut.

Tahapan ini pula yang memberikan gambaran tentang dampak-dampak yang akan terjadi ketika strategi yang dibuat sudah dijalankan. Agar lebih mudah, seseorang akan diajak berpikir tentang sebuah kemungkinan-kemungkinan.

Contohnya, seseorang akan membuat sebuah keputusan mengenai inovasi produk. Pertama, apa langkah yang harus dilakukan untuk berinovasi? Kedua, jika melakukan strategi A dan B dalam inovasi maka apa yang akan terjadi? Teknik algoritma ini menekankan pada hubungan kausalitas yang runut dalam penerapannya.

Kesimpulan

Berdasarkan ulasan singkat di atas, tujuan dan manfaat computational thinking adalah untuk memberikan solusi pemecahan masalah yang lebih ringkas dan tepat. Teknik computational thinking ini sangatlah penting bagi seseorang dengan aktivitas dan penanganan masalah yang cukup kompleks dalam bidang pekerjaan yang ditangani, seperti seseorang yang bergerak di bidang data science.

Kini, Anda dapat mendalami materi mengenai data science, salah satunya dengan mengikuti kelas data science dari Algoritma Data Science School. Tersedia beragam kelas mengenai data science yang bisa Anda pilih sesuai kebutuhan atau level expertise yang dimiliki. Selain itu, ada juga kelas untuk individu dan korporat.

Referensi:

  • mobilizingcs – Computational Thinking
  • bbc – Introduction to computational thinking
  • gettingsmart – Early Learning Strategies for Developing Computational Thinking Skills

Yuk belajar data science di Algoritma Data Science Education Center! Kamu bisa ikut berbagai kelas data science untuk pemula, salah satunya di program Academy kami.

PELAJARI LEBIH LANJUT

Related Blog

Real Time Processing
Perbedaan Batch Processing dan Real Time Processing
Metode Pengolahan Data
Tipe, Langkah, dan Metode Pengolahan Data
Batch Processing
Mengenal Batch Processing dan Implementasinya