Ketika sebuah dataset menunjukkan sesuatu yang tidak biasa, reaksi pertama kita sering kali adalah mencari kesalahan.
Ada transaksi dengan nilai jauh lebih tinggi dibanding transaksi lainnya. Ada vendor yang muncul berkali-kali. Ada dua transaksi dengan tanggal dan nilai yang hampir sama. Ada beberapa entitas yang menggunakan nomor telepon, alamat, atau informasi lain yang serupa.
Semua itu memang menarik perhatian.
Namun ada satu prinsip penting dalam data analytics:
Anomali adalah sinyal untuk diperiksa, bukan bukti bahwa telah terjadi kesalahan.
Perbedaan ini sangat penting. Analisis data yang baik tidak terburu-buru mengubah pola menjadi tuduhan. Data digunakan untuk mempersempit area pemeriksaan, membangun pertanyaan yang lebih baik, dan membantu manusia menemukan evidence yang diperlukan sebelum membuat kesimpulan.
Apa Itu Anomali dalam Data?
Secara sederhana, anomali adalah data atau pola yang berbeda dari kondisi yang biasanya ditemukan.
Bayangkan sebuah dataset berisi ribuan transaksi. Sebagian besar transaksi memiliki nilai antara Rp20 juta hingga Rp200 juta. Tiba-tiba terdapat beberapa transaksi bernilai lebih dari Rp1 miliar.
Transaksi tersebut dapat dikategorikan sebagai sesuatu yang tidak biasa secara statistik.
Tetapi apakah transaksi Rp1 miliar itu salah?
Belum tentu.
Bisa saja transaksi tersebut memang merupakan pengadaan dengan volume besar, proyek khusus, kontrak tahunan, atau transaksi yang secara bisnis memang berbeda dari transaksi lainnya.
Data baru memberi kita sebuah sinyal:
“Bagian ini berbeda. Periksa lebih lanjut.”
Di sinilah data analytics menjadi berguna.
Kesalahan Umum: Melompat dari Anomali ke Kesimpulan
Salah satu risiko terbesar dalam membaca data adalah confirmation bias.
Kita mempunyai kecurigaan terlebih dahulu, kemudian hanya mencari data yang mendukung kecurigaan tersebut.
Misalnya ditemukan bahwa Vendor A mendapatkan transaksi jauh lebih banyak dibanding vendor lainnya.
Kesimpulan yang terlalu cepat mungkin berbunyi:
“Vendor A pasti mendapatkan perlakuan khusus.”
Padahal data yang tersedia baru membuktikan satu hal:
Vendor A memiliki frekuensi transaksi yang lebih tinggi.
Mengapa hal itu terjadi masih membutuhkan pemeriksaan.
Vendor tersebut mungkin mempunyai produk yang memang sering dibutuhkan. Bisa saja memiliki cakupan layanan lebih luas. Mungkin ada kontrak berulang yang sah. Atau memang terdapat pola yang membutuhkan pemeriksaan lebih dalam.
Data analytics seharusnya membantu kita membedakan fakta, indikasi, dan kesimpulan.
1. Mulai dari Memahami Konteks
Sebelum mencari anomali, kita harus memahami dataset terlebih dahulu.
Apa yang sebenarnya direpresentasikan oleh data tersebut?
Apa arti setiap kolom?
Bagaimana transaksi terbentuk?
Berapa periode datanya?
Apakah semua transaksi berasal dari proses yang sama?
Sebuah nilai yang terlihat ekstrem pada satu kelompok belum tentu ekstrem pada kelompok lainnya.
Transaksi Rp2 miliar mungkin sangat besar untuk pembelian peralatan sederhana, tetapi mungkin normal untuk pekerjaan infrastruktur tertentu.
Karena itu, analisis tidak boleh dimulai hanya dari angka.
Understand first.
Konteks membantu kita menentukan apa yang sebenarnya layak dibandingkan.
2. Cari Evidence, Bukan Pembenaran
Setelah memahami konteks, langkah berikutnya adalah melihat evidence yang tersedia.
Misalnya sistem menemukan dua transaksi:
- tanggal transaksi sama,
- vendor sama,
- nilai transaksi sama,
- kategori barang sama.
Ini merupakan pola yang menarik.
Tetapi jangan langsung memberikan label “transaksi ganda.”
Label yang lebih tepat adalah:
“Transaksi sangat mirip — perlu verifikasi.”
Selanjutnya kita membutuhkan evidence tambahan seperti nomor transaksi, nomor kontrak, unit pemesan, jumlah barang, dokumen penerimaan, atau informasi pendukung lainnya.
Bisa saja kedua transaksi tersebut memang berbeda.
Data analytics membantu menunjukkan di mana kita harus melihat, sedangkan evidence membantu menjelaskan apa yang sebenarnya terjadi.
3. Analisis Pola dari Beberapa Perspektif
Anomali yang menarik biasanya tidak muncul hanya dari satu indikator.
Bayangkan sebuah dataset transaksi.
Kita dapat menganalisisnya dari beberapa perspektif:
Nilai transaksi. Apakah terdapat transaksi yang jauh lebih tinggi dibanding kelompok transaksi sejenis?
Frekuensi. Apakah satu vendor muncul jauh lebih sering dibanding vendor lain?
Waktu. Apakah terdapat lonjakan transaksi pada tanggal atau periode tertentu?
Kemiripan. Apakah terdapat beberapa transaksi dengan kombinasi tanggal, nilai, vendor, atau deskripsi yang sangat mirip?
Identitas. Apakah beberapa entitas memiliki nomor telepon, rekening, alamat, atau atribut tertentu yang sama?
Satu indikator mungkin tidak berarti banyak.
Tetapi ketika beberapa indikator bertemu pada entitas atau transaksi yang sama, prioritas pemeriksaan dapat meningkat.
Inilah salah satu kekuatan data analytics: menghubungkan pola yang sulit terlihat ketika ribuan baris data diperiksa secara manual.
4. Bedakan “Tidak Biasa” dengan “Salah”
Bayangkan sebuah sistem menemukan 10 transaksi yang memiliki nilai ekstrem dari 100.000 baris data.
Sistem seharusnya tidak mengatakan:
“10 transaksi bermasalah ditemukan.”
Pernyataan tersebut terlalu jauh.
Lebih tepat jika sistem mengatakan:
“10 transaksi bernilai tidak biasa ditemukan dan direkomendasikan untuk pemeriksaan lebih lanjut.”
Perbedaan kalimat ini terlihat kecil, tetapi secara metodologis sangat besar.
Kalimat pertama sudah memberikan vonis.
Kalimat kedua memberikan prioritas pemeriksaan.
Teknologi seharusnya membantu manusia mempercepat analisis tanpa mengambil alih keputusan yang membutuhkan konteks, evidence, dan pertimbangan profesional.
5. Dari Ribuan Data Menjadi Daftar Prioritas
Nilai terbesar data analytics bukan sekadar menghasilkan grafik yang bagus.
Nilainya muncul ketika analisis dapat mempersempit ruang pencarian.
Misalnya terdapat 100.000 transaksi.
Memeriksa semuanya secara manual membutuhkan waktu sangat besar.
Tetapi sistem screening dapat membantu mengelompokkan data menjadi:
Prioritas tinggi — kombinasi beberapa indikator tidak biasa.
Perlu perhatian — terdapat satu atau dua indikator yang layak diperiksa.
Normal berdasarkan screening awal — belum ditemukan pola signifikan berdasarkan aturan yang digunakan.
Perhatikan kata “screening.”
Hasil tersebut bukan keputusan akhir.
Data analytics berfungsi seperti radar. Radar menunjukkan sesuatu yang menarik perhatian, tetapi manusia tetap harus menentukan apa objek tersebut dan tindakan apa yang diperlukan.
Dari Anomali Menjadi Pertanyaan
Ada perubahan pola pikir yang menurut saya sangat penting.
Jangan bertanya:
“Siapa yang salah?”
Mulailah dengan:
“Apa yang berbeda dari pola normal?”
Kemudian:
“Mengapa pola ini terjadi?”
Setelah itu:
“Evidence apa yang diperlukan untuk menjelaskannya?”
Pertanyaan-pertanyaan tersebut membuat proses analisis jauh lebih objektif.
Misalnya ditemukan bahwa satu vendor mendapatkan porsi transaksi yang sangat tinggi dalam kategori tertentu.
Alih-alih langsung mencurigai vendor tersebut, kita dapat bertanya:
Berapa banyak vendor lain yang menyediakan kategori barang yang sama?
Apakah pola tersebut konsisten selama beberapa tahun?
Apakah transaksi berasal dari satu unit atau banyak unit?
Apakah harga dan volume transaksinya wajar dibanding transaksi sejenis?
Apakah terdapat hubungan identitas dengan entitas lainnya?
Setiap jawaban menghasilkan evidence baru.
Dan evidence dapat membawa kita menuju pemahaman yang lebih baik.
Data Analytics Membantu Manusia Melihat Lebih Cepat
Pada dataset kecil, manusia mungkin masih dapat menemukan pola menggunakan spreadsheet.
Masalah muncul ketika volume data membesar.
Puluhan ribu atau ratusan ribu baris membuat pola tertentu sulit terlihat secara manual.
Komputer sangat baik dalam melakukan pekerjaan berulang:
mengelompokkan transaksi, menghitung frekuensi, membandingkan nilai, mencari kemiripan, menemukan nilai ekstrem, dan menghubungkan atribut yang sama.
Tetapi manusia mempunyai sesuatu yang tidak selalu tersedia di dalam dataset:
konteks.
Karena itu, pendekatan terbaik bukan manusia melawan teknologi.
Pendekatan terbaik adalah:
teknologi mempersempit pencarian, manusia memperdalam pemeriksaan.
Understand → Evidence → Analyze → Solve → Improve
Cara membaca anomali juga dapat ditempatkan dalam kerangka berpikir sederhana.
Understand. Pahami konteks, proses, struktur, dan keterbatasan data.
Evidence. Pastikan analisis berangkat dari data dan bukti yang dapat ditelusuri.
Analyze. Cari pola, hubungan, perbedaan, kemiripan, dan anomali.
Solve. Gunakan hasil analisis untuk menentukan pemeriksaan atau tindakan yang paling relevan.
Improve. Pelajari hasilnya dan perbaiki proses, aturan screening, maupun kualitas data untuk analisis berikutnya.
Dengan pendekatan seperti ini, data analytics tidak berhenti pada dashboard.
Ia menjadi bagian dari proses problem solving.
Kesimpulan
Anomali adalah awal dari sebuah pertanyaan, bukan akhir dari sebuah penyelidikan.
Transaksi besar belum tentu salah.
Vendor dominan belum tentu bermasalah.
Data yang sama belum tentu transaksi ganda.
Identitas yang mirip belum tentu menunjukkan hubungan tertentu.
Namun semuanya dapat menjadi sinyal yang layak diperiksa.
Data analytics membantu kita menemukan sinyal tersebut secara lebih cepat dan sistematis. Evidence kemudian digunakan untuk memverifikasi apa yang sebenarnya terjadi. Dan manusia tetap memegang peran penting dalam memahami konteks serta membuat kesimpulan.
Karena tujuan analisis data bukan mencari kesalahan sebanyak mungkin.
Tujuannya adalah mengubah data menjadi pemahaman yang membantu kita mengambil keputusan dengan lebih baik.
0 Komentar