Big Data dan Sains Data: Kapan volume mulai membuat pertanyaan lama tidak berguna

Buku ini membahas big data dan sains data sebagaimana DAMA-DMBOK Bab 14 mendefinisikannya, dengan pengingat dari Richard Hamming (1962): tujuan komputasi adalah pemahaman, bukan angka. Bab demi bab menguraikan kapan Volume, Velocity, dan Variety menjadi masalah nyata (bukan kebutuhan untuk membeli platform), data science yang dimulai dari pertanyaan bukan dari data, dan tiga lingkaran yang sering dicampur: AI, machine learning, dan data science.

Pembahasan dilanjutkan dengan evaluasi model di luar accuracy (precision, recall, F1, calibration), baseline sederhana sebelum solusi kompleks, arsitektur data yang sesuai skala yang ada, MLOps yang tidak berlebihan, regulasi dan tata kelola AI di Indonesia (UU PDP Pasal 28, Surat Edaran Menkominfo, dan kerangka regulasi AI yang sedang dibangun), dan disiplin yang ditentukan skala bukan alat. Statistik mendukung: BCG (Oktober 2024) melaporkan 74 persen perusahaan belum menunjukkan nilai nyata dari AI yang diadopsi.

Saya menulis ini sebagai praktisi yang pernah hampir membeli platform ML untuk kebutuhan yang sebenarnya bisa diselesaikan dengan query SQL satu halaman. Saya tidak punya gelar statistik; yang saya punya adalah pengalaman membayar konsekuensi dari over-engineering. Buku ini ditulis untuk pelaku usaha yang ingin disiplinnya sesuai dengan skala yang dimiliki, bukan dengan slide yang dijual konsultan.

Untuk pembaca yang mencari: DAMA-DMBOK Bab 14 dalam Bahasa Indonesia, 3V dan kapan menjadi masalah, evaluasi model di luar accuracy, MLOps untuk SME, regulasi AI di Indonesia, statistik BCG 2024 dan McKinsey 2024 tentang ROI AI. Disusun dari konteks operator di Indonesia, tetapi rangka diagnostiknya berlaku untuk organisasi manapun yang sedang dipanggil ke pertemuan tentang AI tanpa pertanyaan yang jelas.