Sains Data dan Deteksi Dini Penyakit dalam Setting Perkotaan: Strategi Melawan Pandemi di Wilayah Padat Penduduk

Sains data merupakan profesi yang banyak diminati dalam beberapa tahun terakhir. Perusahaan dan organisasi dari berbagai industri mulai memperhatikan nilai dari data. Hal ini menyebabkan adanya tantangan baru dalam proses pengembangannya sehingga membutuhkan para profesional yayng mampu mengumpulkan, mengolah, menganalisis, dan memvisuaisasikan data untuk mengambil keputusan yang lebih baik. Masalah tersebut dapat diatasi dengan adanya data scientist pada setiap perusahaan dan organisasi untuk mengatasi masalah tersebut. 

Sains data merupakan bidang ilmu yang menggabungkan konsep-konsep matematika, statistika dan ilmu komputer untuk mengumpulkan, memahami, menganalisis, dan memproses data. Tujuan utama dari sains data adalah untuk mengahsilkan wawasan dan informasi dari sebuah data yang akan digunakan untuk menghasilkan keputusan yang lebih baik dan efektif. Hal ini, merupakan tugas dari seorang data scientist atau ilmuwan data.

Pada masa pandemi, dengan adanya covid-19 banyak data yang muncul dari berbagai sumber dan memiliki ukuran yang besar dan lebih kompleks sehingga profesi sains data menjadi semakin penting untuk menanganinya. Pada bidang kesehatan, para data scientist membantu mengumpulkan dan menganalisis data covid-19 dengan real-time untuk emahami penyebarannya dan memberikan rekomendasi untuk tindakan yang dapat dan harus diambil untuk menanganinya.

Sains data juga melibatkan berbagai teknik dan alat untuk menganalisis dan memproses data seperti metode statistika, AI, machine learning, data mining, dan visualisasi data. Machine learning dan AI ini sangat efektif untuk mengolah data dengan sekala besar dari berbagai macam sumber dengan cepat. Hal ini sangat membantu dalam memproses data pada masa pandemikarena tidak membutuhkan waktu lama untuk mengolah data tersebut.

Selain mengolah data, sains data juga memiliki peran untuk membantu dalam mengoptimalkan distribusi sumber daya medis, seperti vaksin dan peralatan medis. Dengan adanya algoritma yang dibuat oleh para data scientist kita  dapat memprediksi dan mengidentifikasi area yang memiliki tingkat prioritas bantuan yang tinggi dan memastikan pemanfaatan sumber daya dengan efisien. Oleh karena itu, peranannya sangat penting dalam mengelola kesehatan publik selama masa pandemi.

Penerapan Sains Data dalam Menangani Covid-19

1.  Dashboard penyebaran virus covid-19

Pandemi COVID-19 menimbulkan tantangan yang belum pernah terjadi sebelumnya, memaksa pemerintah dan organisasi layanan kesehatan untuk mengambil keputusan cepat dan berdasarkan data. Dalam konteks ini, dashboard COVID-19 berperan penting sebagai alat informasi yang menyediakan data  real-time. Ilmu data serta teknik dan algoritmanya adalah dasar untuk membuat dan mengelola dasbor ini.

Pembuatan dashboard ini diawali dengan pengumpulan data dari berbagai macam sumber seperti rumah sakit dan laboritorium kesehatan. Lalu data tersebut akan melewati proses analisis untuk memastikan informasi tersebut dapat diandalkan dan mudah dimengerti. Lalu data tersebut akan divisualisasikan kedalam dashboard tersebut.

3. Melihat penyebaran virus berdasarkan mutasinya

Sains data juga memiliki peran dalam menganalisis penyebaran virus berdasarkan mutasinya. Hal ini dapat dilakukan dengan membandingkan genom virus ini satu sama lain sehingga mereka dapat mengkarakterisasi bagaimana virus covid-19 menyebar dan bergerak di seluruh dunia.

4. Memprediksi jumlah kasus dan korban

https://www.cnbcindonesia.com/tech/20200427091641-37-154588/riset-terbaru-corona-di-indonesia-diprediksi-berakhir-6-juni

Data prediksi ini sangat bermanfaat pada masa pandemi. Dengan adanya prediksi data tersebut, kita dapat membuat hasil terbaik dalam membuat keputusan. Model prediksi covid-19 ini memiliki berbagai macam hasil yang berbeda. Biasanya hal ini terjadi karena penggunaan metode matematika yang berbeda pada analisa data tersebut. Walaupun memiliki hasil yang bervariasi, hal ini justru lebih baik karena kita dapat melihat berbagai model yang berbeda dibanding hanya melihat dan berfokus pada satu model saja.