Lampung Selatan, 14 Juni 2026 – Himpunan Mahasiswa Sains Data (HMSD) Adyatama ITERA bersama Program Studi Sains Data Institut Teknologi Sumatera (ITERA) sukses menggelar kegiatan seminar akademik bertajuk "Idea: Prapemrosesan dan Pembersihan Data". Kegiatan yang dilaksanakan secara daring melalui Google Meet ini dirancang untuk membekali mahasiswa dengan pemahaman mendalam mengenai tahap krusial dalam siklus hidup data, sekaligus menjembatani teori di bangku kuliah dengan praktik pembersihan data di industri digital.
Acara resmi dibuka oleh Rifky Henry Ferdianto selaku Master of Ceremony yang memandu jalannya kegiatan dengan penuh antusiasme. Rangkaian pembukaan dimulai dengan pembacaan basmalah, yang dilanjutkan dengan pemaparan materi oleh Eggi Satria selaku pemateri.
"Garbage in, garbage out, kalimat ini sudah disampaikan Charles Babbage sejak tahun 1864, dan prinsip itu tidak berubah untuk machine learning modern. Riset menunjukkan bahwa data scientist menghabiskan 45 hingga 80 persen waktu kerjanya hanya untuk mempersiapkan data, bukan untuk membangun model, dan organisasi yang mengabaikan kualitas data berisiko merugi hingga belasan juta dolar setiap tahun. Melalui Idea kali ini, kami ingin menunjukkan bahwa prapemrosesan bukan langkah administratif belaka, melainkan fondasi dari setiap insight dan keputusan yang dapat dipercaya," ujar Eggi Satria pada pembukaan kegiatan.
Sesi Pertama: Mengapa Data Industri Jarang Siap Pakai
Sesi pertama menyoroti alasan mengapa data mentah dari layanan digital berskala besar seperti Gojek/GoTo jarang bisa langsung dipakai untuk analisis. Pemateri menjelaskan bahwa data yang berasal dari berbagai sumber aplikasi, lokasi, transaksi, hingga log sistem, memiliki format dan standar penulisan yang berbeda, sehingga satu kategori yang sama dapat tercatat dengan berbagai variasi penulisan, misalnya "Jakarta", "jakarta", "JKT", dan "DKI Jakarta".
Dalam paparannya, dijelaskan lima gejala umum data kotor pada alur data layanan digital: Nilai Hilang: kolom penting seperti jarak, estimasi, biaya, status, atau rating yang kosong. Pencilan (Outlier): nilai jarak, biaya, durasi, atau rating yang terlalu ekstrem. Kategori Tidak Seragam: satu kategori yang sama tercatat dengan berbagai variasi penulisan. Tipe Data Salah: misalnya timestamp yang terbaca sebagai teks atau biaya yang terbaca sebagai string. Duplikasi: satu order tercatat lebih dari sekali akibat retry sistem atau integrasi antar layanan.
Pemateri menambahkan bahwa pada skala operasional Gojek, miliaran event diproses setiap harinya, sehingga kualitas data secara langsung memengaruhi estimasi waktu tiba, alokasi mitra, hingga validitas eksperimen A/B testing produk.
Sesi Kedua: Alur Kerja Prapemrosesan Profesional dan Studi Kasus Gojek/GoTo
Pada sesi kedua, pembahasan bergeser ke tahapan teknis prapemrosesan data secara berurutan, mulai dari audit data awal, penanganan nilai hilang berbasis konteks, deteksi pencilan, pembersihan kategori, perbaikan tipe data dan fitur waktu, penanganan duplikasi, penskalaan fitur, pengkodean data kategorik, hingga seleksi fitur berbasis korelasi.
Salah satu pembahasan yang menarik perhatian peserta adalah perbandingan dua metode deteksi pencilan, yaitu Z-Score dan IQR. Menggunakan data simulasi jarak tempuh pesanan sebesar 4,2 km, 8,1 km, 12,5 km, dan 250 km, pemateri menunjukkan bahwa metode Z-Score justru gagal mendeteksi nilai 250 km sebagai pencilan karena distribusi data yang sangat miring, sementara metode IQR berhasil mendeteksinya dengan tepat.
"Pencilan tidak selalu berarti data yang salah. Keputusan setelah pencilan terdeteksi apakah dihapus, dibatasi, ditransformasi, atau justru dipertahankan harus melibatkan logika operasional dan validasi konteks bisnis, bukan sekadar menjalankan satu fungsi dari library," tutur Eggi Satria pada sesi kedua.
Sesi Ketiga: Pembuktian Kuantitatif Lewat Eksperimen Dataset Titanic
Sesi ketiga menghadirkan pembuktian kuantitatif mengenai pentingnya prapemrosesan melalui eksperimen langsung pada dataset Titanic yang berisi 891 baris dan 12 kolom. Dataset ini diuji menggunakan empat model machine learning, yaitu Logistic Regression, KNN, SVM dengan kernel RBF, dan Random Forest, dengan skema pembagian data 70% data latih dan 30% data uji secara stratified.
Pada skenario sebelum prapemrosesan, model hanya menggunakan dua fitur numerik (Pclass dan Fare) tanpa imputasi maupun penskalaan, dan menghasilkan rata-rata akurasi sebesar 0,67. Setelah prapemrosesan diterapkan — meliputi imputasi nilai hilang pada Age dan Fare, pengkodean fitur kategorik Sex dan Embarked
Peningkatan paling signifikan terjadi pada model SVM dengan kernel RBF, dari akurasi 0,664 menjadi 0,821, karena model berbasis jarak ini sangat sensitif terhadap perbedaan skala antarfitur. Sementara itu, model berbasis pohon seperti Random Forest relatif lebih stabil, meski tetap mengalami peningkatan akurasi.
"Angka-angka ini membuktikan bahwa prapemrosesan bukan langkah opsional. Untuk model berbasis jarak dan gradien seperti KNN, SVM, dan Logistic Regression, melewatkan tahap prapemrosesan dapat membuat akurasi turun drastis," jelas Eggi Satria menutup sesi ketiga.
Mempersiapkan Talenta Data Masa Depan Melalui kegiatan Idea:
Prapemrosesan dan Pembersihan Data ini, mahasiswa Sains Data ITERA mendapatkan pemahaman yang komprehensif mengenai pentingnya tahap prapemrosesan sebagai fondasi dari analisis data dan pembelajaran mesin yang dapat dipercaya. Ketiga sesi yang dihadirkan saling melengkapi; mulai dari pemahaman konseptual mengenai gejala data kotor, penerapan teknik teknis pada studi kasus industri, hingga pembuktian kuantitatif melalui eksperimen machine learning.
Kegiatan ini menegaskan komitmen berkelanjutan dari Program Studi Sains Data ITERA dan HMSD Adyatama dalam mencetak lulusan yang siap kerja, kompeten, dan mampu menghasilkan insight yang akurat serta dapat ditindaklanjuti dalam dunia kerja.
Sesi Tanya Jawab
Pertanyaan 1: Rafael Silitonga (Sains Data)
ada KNN, Logistic regresiion, Supply vector machine dan random forrest, nah pertanyaan saya bang, untuk mempelajari model itu berapa lama dan apakah ada kendala yang menjadi pelajaran buat abang sehingga bisa jadi tips untuk kita yang belajar modelling kedepannya
Pertanyaan 2: Tiara Amelia (Sains Data)
Tadi abang sempat menjelaskan tentang proses pengumpulan dan penggunaan data. Nah pertanyaan saya bang, biasanya abang menentukan sebuah dataset itu layak dipakai untuk analisis dari aspek apa saja? Terus bagaimana cara abang memastikan kalau data yang digunakan itu memang berkualitas, akurat, relevan, dan benar-benar mewakili permasalahan yang ingin diselesaikan?
Pertanyaan 3: Sayyidina Najwa (Sains Data)
Izin bertanya bang,sayaperhatikan kode yangabang gunakantadicukup berbedadengan yang pernah saya pelajari, baik dari struktur maupun cara penulisannya. Apakah ada alasan atau pertimbangan tertentu dalam memilih format penulisan kode tersebut? Dan untuk kami yang masih belajar, bagaimana cara memahami berbagai variasi implementasi kode yang berbeda tetapi memiliki tujuan yang sama?