Di era digital, setiap orang adalah produsen data. Setiap harinya perilaku manusia di internet menghasilkan data rekaman hingga mencapai 5 eksabit. Beragam data yang terus menerus bertambah dalam kecepatan tinggi dan dalam jumlah yang besar ini yang kita kenal dengan fenomena big data atau data raya. Secara sosial ini sangat menarik. Pasalnya dengan perilaku yang terekam sedemikian banyak, riset sosial dengan sampel yang besar menjadi sangat dimungkinkan. Pola-pola yang ditemukan dapat membantu kita memahami fenomena-fenomena sosial secara lebih jernih. Inilah topik yang dibicarakan dalam SadasaTalk #05, “Social Data Science: Mulai dari Mana?” bersama Cecil Mariani selaku co-founder Prakerti Academy Collective Intelligence, dan Hizkia Yosias Polimpung selaku dosen peneliti dari jurusan hubungan internasional Universitas Bhayangkara, Jakarta.

Data raya punya potensi manfaat yang besar pada riset perilaku. Namun untuk dapat memetik manfaat dari data raya, ia mensyaratkan social data scientist dengan kemampuan teknis untuk mengakses dan mengolah data digital dan ketajaman untuk menerjemahkan pola-pola yang ditemukan. Sayangnya menemukan orang dengan kedua skillset ini tidak mudah. Para ahli sosial mungkin memiliki ketajaman analisis untuk menerjemahkan pola perilaku secara tepat, namun metode penelitian saat ini sulit memungkinkan mereka untuk memiliki akses pada data-data yang berbentuk digital. Sebaliknya para ahli komputer meski memiliki kemampuan yang dibutuhkan untuk mengakses dan mengolah data ini, kesulitan untuk dapat melakukan analisis mendalam atas pola-pola yang mereka temukan. Karenanya alih-alih mencari seorang social data scientist dengan skillset setengah dewa, jauh lebih realistis untuk membentuk tim social data scientist berisikan orang-orang lintas disiplin ilmu, seperti sosiolog dan programmer misalnya, agar mereka saling melengkapi.

Bagaimana kolaborasi ini dapat membantu kepentingan publik? Pada era serba digital, algoritma kecerdasan buatan, machine learning, dan lain-lain dimanfaatkan untuk menafsirkan atau memprediksi fenomena sosial. Harapannya, ia dapat membantu meningkatkan ketepatan dalam pengambilan keputusan. Masalahnya adalah algoritma itu sendiri dalam dirinya bukanlah sesuatu yang netral objektif. Netral dan objektifitas algoritma sangat tergantung pada netralitas dan objektifitas pembuatnya. Karenanya menyerahkan sepenuhnya pembacaan data fenomena sosial pada programmer pengembang algoritma seorang berimplikasi pada pitfall yang serius. Sebelum algoritma dibuat, pengembangnya harus menurunkan (derive) konsep sosial hingga ke indikator yang teramati (observable). Proses penurunan konsep menjadi indikator teramati ini jika dilakukan secara serampangan, berpotensi besar menghasilkan bias algoritma.

[Belajar menggali informasi dalam teks dengan Data Science]

[Melakukan analisis jejaring sosial menggunakan Data Science]

Tim social data scientists, kolaborasi ahli sosial dan programmer dapat membantu memecahkan masalah bias seperti ini: thermogun di tangan warga kulit gelap dideteksi sebagai pistol, sementara pada warga berkulit putih dideteksi sebagai alat elektronik oleh algoritma. Berbagai masalah sosial hari ini dapat berasal dari pembacaan yang serampangan terhadap fenomena-fenomena sosial. Karena itu, dalam kasus ini, dibutuhkan para insinyur informasi dan ahli sosial yang berkenan bekerja sama untuk menjawab tantangan sosial era digital. Tuntutan kolaborasi lintas disiplin tak pernah sebesar hari ini.

Jurang Bagi Upaya kolaborasi

Upaya pemenuhan tuntutan ini sendiri bukan tanpa kendala. Yosie, sapaan akrab Yosias, menceritakan seringnya ia menemukan tim lintas disiplin ini memiliki masalah yang ia istilahkan sebagai two-way monologue. Yosie menyebutkan, “jadi di kalangan pemikir sosial, anak IT itu jadi semacam terma payung yang itu dia bisa semua, bisa benerin komputer, bisa benerin jaringan, dia bisa bikin website, itu absurd ya.” Padahal keterampilan teknologi informasi (TI) adalah keterampilan yang sudah sangat terdiferensiasi, seorang teknisi jaringan, data scientist, web developer, dan ahli reparasi printer misalnya adalah peran yang sama sekali lain dan membutuhkan keterampilan yang saling berbeda satu sama lain. Menyamakan kesemuanya dalam satu istilah yang sama bagi Yosie tak ubahnya rasisme. Meski membuat tim lintas disiplin, pola pikir ‘rasis’ macam ini menciptakan mental block yang mencegah peneliti sosial menambah pemahaman digitalnya.

Di sisi para ahli TI, Yosie menambahkan, “yang sering saya jumpai adalah mereka nggak bisa mengkomunikasikan keterbatasan-keterbatasan yang mereka punya.” Yosie sendiri merasa beruntung ia pernah menjalani pendidikan sistem informasi sehingga ia dapat memahami pola berpikir para ahli TI dan mampu menjembatani komunikasi lintas disiplin ini. Karenanya meskipun terdapat irisan kebutuhan dari pelaku-pelaku di bidang-bidang disiplin ini, namun kegagalan kedua belah pihak untuk saling menjelaskan dan memahami satu sama lain menyebabkan mereka tak dapat bertemu. Mereka ibarat saling berbicara dengan menggunakan bahasa yang hanya dipahami diri masing-masing, two-way monologue. Untuk itu diperlukan cara agar keduanya dapat saling memahami. “Bagaimana agar anak ilmu sosial mau belajar memahami berpikir sebagai seorang programmer, sebagai seorang developer, sebagai seorang database administrator, dan sebaliknya bagaimana anak database misalnya mau belajar apa sih maksudnya data bagi anak ilmu sosial.”

[Belajar dasar Data Science]

Kendala komunikasi ini nyatanya tidak hanya terjadi karena mental block atau keengganan dari tiap orang untuk mencoba memahami, tapi juga dapat terjadi karena sebab-sebab struktural. Misalnya seperti diungkapkan Cecil, “ketika desainer tidak dilibatkan dalam pembuatan sistem, desainer tinggal bikin make-up di ujungnya doang. Jadi ketika ada hal problematis dan itu jadi masukan, itu nggak bisa diapa-apain karena rantai kerjanya sudah di ujung.” Dengan demikian komunikasi sama sekali tak terjadi antara para pekerja teknis dan desainer seniman, mencegah pemahaman lintas disiplin satu sama lain untuk bertemu karena tak dimungkinkan oleh desain aliran kerjanya sendiri. Cecil sendiri tak berharap muluk. Ia berharap agar tim kolaborasi lintas disiplin ini memiliki ruang ‘bermain’ bersama agar dapat saling belajar memahami aturan main masing-masing.

Untuk mendorong upaya belajar memahami satu sama lain lintas disiplin ilmu ini, Yosie mendapati satu cara yang efektif, yaitu dengan menggunakan insentif. “Dengan project yang berbayar. Jadi kalau anda mau masuk project ini, maka skill-nya harus a b c d. Nggak bisa, nggak apa-apa, yang penting kalau kamu masuk kamu harus belajar,” terang Yosie. Baginya belajar adalah kerja. Jika ada keterampilan atau pengetahuan tertentu dibutuhkan dalam pekerjaan, maka project manager dapat mendorong pembelajaran keterampilan dan pengetahuan ini dengan kebijakan-kebijakan insentif yang ia miliki. Ini bisa dilakukan dengan misalnya menjadikan penguasaan keterampilan atau pengetahuan sebagai bagian dari key performance indicator yang merupakan komponen dari insentifnya.

Tuntutan untuk berkolaborasi lintas disiplin tak pernah sebesar hari ini. Namun, dibutuhkan kerendahan hati setiap orang untuk mau belajar memahami orang-orang seberang bidang keilmuan satu sama lain agar tuntutan-tuntutan digital ini dapat kita jawab.

 

Penulis : Ridho Haga Pratama

Grafis : Radhitya Yoga Wiranto