PERTUMBUHAN EKONOMI BISA DIHITUNG MENGGUNAKAN CAHAYA?!
.
.
.
A Thread
Produk Domestik Bruto atau yang biasa disingkat dengan ‘PDB’ merupakan nilai pasar seluruh barang dan jasa yang diproduksi oleh suatu negara pada periode tertentu. Nilai ini juga menunjukkan jumlah pendapatan nasional sebuah negara.
Dari definisinya aja, bisa dilihat kalau PDB ini menunjukkan nilai yang penting bagi suatu negara. Maka dari itu, wajar aja kalau pertumbuhan PDB mencerminkan pertumbuhan ekonomi dan sering dijadikan sebagai salah satu bahan pertimbangan pembuatan kebijakan sosial-ekonomi.
Saking bergunanya, World Bank sampai membuat klasifikasi negara berdasarkan keakuratan data PDB nya loh! Klasifikasi ini berlaku bagi negara berpendapatan rendah dan menengah (mengingat kualitas data PDB negara maju sudah baik) yang memiliki populasi di atas 1 juta orang.
Dalam klasifikasi tersebut, setiap negara digolongkan ke angka 0 - 10 berdasarkan kemampuannya untuk menyediakan data, ketepatan waktu, dan standar yang digunakan untuk menghitung PDB. Semakin tinggi angka yang didapat, maka semakin baik kualitas data PDB negara tersebut.
Begitu juga sebaliknya, semakin rendah angka yang didapat, maka semakin buruk kualitas data PDB suatu negara. Biasanya, negara-negara terbelakang mendapatkan angka yang rendah, hal ini disebabkan karena mereka tidak memiliki data statistik asli yang dapat diandalkan.
Bahkan, ada juga negara-negara yang tidak memiliki data PDB sama sekali, contohnya Somalia dan Afganistan.
Loh, berarti kedua negara tersebut gak bisa diukur dong pertumbuhan ekonominya?
Nah, berangkat dari masalah ini, para ahli telah mencoba untuk mengembangkan berbagai metode yang dapat mengukur PDB secara akurat dan meminimalisir statistical error yang kadang terjadi. Salah satu metode yang ramai diperbincangkan belakangan ini adalah metode night lights.
Berbagai penelitian telah membuktikan bahwa night lights, atau cahaya di malam hari yang merupakan buatan manusia, dapat mencerminkan aktivitas perekonomian. Maka dari itu, ketika para ahli menggunakan metode ini, mereka tidak memperhitungkan cahaya di malam hari yang dihasilkan
-c- oleh aurora, kebakaran hutan, cahaya yang dihasilkan ketika matahari terbenam lebih lama, dan berbagai fenomena alam lainnya.
Data night lights sendiri diambil dari luar angkasa dengan bantuan satelit cuaca milik Angkatan Udara AS yang mengitari bumi 14 kali dalam sehari.
Karenanya, metode ini dianggap dapat menjadi solusi untuk melihat pertumbuhan ekonomi negara-negara dengan kualitas data PDB yang buruk atau tidak memiliki data PDB sama sekali sebab data night lights tersedia dari waktu ke waktu dan pada semua tempat.
Selain itu, metode ini juga menangkap sektor ekonomi informal yang tidak tercatat pada metode perhitungan PDB konvensional.
Melihat keunggulan ini, Henderson dan teman-temannya tergerak untuk meneliti night lights sebagai alat ukur pertumbuhan ekonomi negara.
Dalam publikasinya yang diterbitkan pada tahun 2012 lalu, Henderson ingin melihat bagaimana pengaruh pertumbuhan night lights terhadap pertumbuhan ekonomi suatu negara.
Menggunakan data dari 188 negara selama 17 tahun, Henderson menemukan bahwa peningkatan 1% night lights mengindikasikan pertumbuhan ekonomi sebesar 27.5%. Penemuan tersebut signifikan pada p-value 1% dan dengan R-sq sebesar 0.768.
Oh iya, hasil tersebut didapatkan setelah menggunakan fixed effect loh! Artinya, Henderson dan teman-temannya telah memastikan bahwa mereka telah mengeliminasi perbedaan budaya antar negara dalam penggunaan night lights vs aktivitas siang hari,
perbedaan pencahayaan umum vs pribadi, dan perbedaan kondisi setiap negara dalam menghasilkan listrik.
Nah, setelah menyinggung listrik, apakah terbayang pertanyaan mengapa tidak menjadikan listrik sebagai salah indikator, toh aktivitas ekonomi juga bergantung pada listrik?
Henderson dkk juga telah mempertimbangkan pertanyaan ini. Dengan meregresi data listrik 128 negara selama 17 tahun, ditemukanlah bahwa 1% peningkatan penggunaan KWH listrik akan meningkatkan pertumbuhan ekonomi sebesar 28.3%. Hasil ini signifikan pada p value 1% dan R-sq 0.767.
Lalu, dengan hasil yang sangat signifikan tersebut, mengapa tidak menggunakan listrik saja, alih-alih menggunakan night lights? Untuk menjawab pertanyaan ini, yuk kita cermati lagi tweet-tweet sebelumnya!
Jika diperhatikan, ketika menggunakan night lights sebagai indikator, terdapat 188 negara observasi, sedangkan ketika menggunakan data penggunaan listrik, hanya terdapat 128 negara observasi. Hal ini terjadi karena tidak semua negara memiliki data penggunaan listrik.
Nah, ternyata permasalahan data penggunaan listrik ini juga bisa diselesaikan juga loh oleh metode night lights ini.
Eh, gimana, gimana?
Night lights yang terlihat dari luar angkasa pada umumnya dihasilkan oleh penggunaan listrik. Jadi, memang terbuktikan metode night lights ini memiliki banyak keunggulan.
Selain itu, data penggunaan listrik tidak dapat mengestimasi pertumbuhan ekonomi hingga level sub nasional, sedangkan night lights dapat mencakup daerah yang luasnya kurang dari satu kilometer persegi di seluruh dunia, keren gak tuh?
Oke, mari kita lanjutkan lagi ke penemuan lain Henderson dan teman-temannya.
Dalam publikasinya tersebut, disebutkan juga bahwa elastisitas cahaya dengan PDB hampir mendekati angka 1. Eits, jangan salah, mendekati angka 1 bisa berarti nilai elastisitasnya lebih ataupun kurang dari 1.
Distribusi listrik ke daerah-daerah membutuhkan fixed cost yang cukup besar dan menimbulkan spillover effect yang meningkatkan pendapatan masyarakat di sekitar daerah tersebut, sehingga meningkatkan pertumbuhan PDB. Fenomena ini akan menimbulkan nilai elastisitas lebih dari 1.
Artinya, peningkatan night lights (yang disebabkan oleh distribusi listrik) mengakibatkan peningkatan PDB yang lebih besar dibandingkan dengan peningkatan night lights itu sendiri.
Sebaliknya, fenomena urbanisasi yg membuat masyarakat tinggal di gedung
bertingkat menghalangi night lights yg dihasilkan orang yg tinggal di lantai bawahnya dan menimbulkan economies of scale spt berkurangnya lampu jalan berpotensi u/ membuat nilai elastisitas kurang dari satu.
Artinya, peningkatan PDB (akibat urbanisasi) mengakibatkan peningkatan night lights yang jauh lebih rendah dibandingkan dengan peningkatan PDB itu sendiri.
Lalu, bagaimana elastisitas untuk negara berpendapatan rendah dan menengah?
Henderson menjelaskan bahwa untuk negara-negara tersebut, elastisitas yang lebih baik digunakan adalah 1. Artinya, setiap peningkatan night lights akan meningkatkan pertumbuhan PDB dengan jumlah yang sama.
Cukup panjang juga ya pembahasan kita kali ini. Namun, sebelum kita mengakhiri thread ini, mari kembali ke pertanyaan awal, bagaimana metode night lights dapat membantu menemukan pertumbuhan ekonomi negara-negara dengan data PDB yang buruk atau bahkan tidak ada sama sekali?
Dengan metode ini, Henderson dkk berhasil mengestimasi pertumbuhan PDB tahun 1992/3 - 2005/6 pada 30 negara yang masuk ke dalam golongan 0-3 klasifikasi negara berdasarkan keakuratan data PDB yang dikeluarkan oleh World Bank loh!
Waah, Apresiasi sebesar-besarnya untuk Henderson dkk!!!
Gimana?! Menarik kan thread informasi dari Pacmann.AI malam ini?
Nah, gak cuma informasi ini doang loh yang bisa Pacmann.AI berikan kepada kamu. Informasi yang dibutuhkan untuk menjadi seorang Data Scientist dan Business Intelligence juga bisa banget kami kasih, bahkan kami bimbing kamu sampai paham betul!
Nah, buat kalian yang tertarik, bisa banget baca2 informasi tentang kelas non-degree Pacmann.AI disini nih Bit.ly/brosurpacmannai atauu kalau mau tanya2 juga boleh banget kok! hubungi kami disini yaa bit.ly/WASalesPacmann
• • •
Missing some Tweet in this thread? You can try to
force a refresh
Menurut gue kebanyakan Data Scientist terlalu mikirin curve fitting dan optimisasi metrics berlebihan tanpa mikirin modeling. Makannya sering kurang berguna di perusahaan.
Gue berikan contoh kasus ya.
Kebanyakan hanya memikirkan: 1. Modelnya supervised atau unsup (meh..) 2. Metrics nya apa (meh...)
Lalu dilakukan development dalam 6 bulan, kemudian modelnya tidak bisa menjawab pertanyaan bisnis.
IMO curve fitting itu hal termudah yang dilakukan oleh DS dan biasanya hanya 5% dari pekerjaan. Pekerjaan utamanya adalah membuat modeling.
Bedakan modeling dengan fitting-fitting pakai sklearn/keras/pytorch.
Difference between Statistics and Machine Learning?
A Thread.
Halo everyone, selamat berjumpa kembali Bersama admin NA di thread pacmann. Nah, di thread kali ini kita bakal bahas-bahas sedikit tentang modeling nih.
Pemodelan ini biasanya kita bisa milih yaitu statistics atau machine learning.
Halo sedulur-sedulur kalian mimin mau nanya nih siapa kira2 disini yang tertarik untuk Investasi di Saham / Pasar Modal?
Nah Pacmann mau launching Produk/Jasa baru nih untuk membantu literasi Keuangan dan pemahaman Investasi Pasar Modal kawan-kawan semua disiniii
Seperti misi Pacmann di sekolah data, supaya kawan-kawan disini juga bisa belajar investasi secara mendalam dan mandiri, jadi ga cuman ikut-ikutan invest tapi kurang paham dasarnya.
Siang ini mimin mau bikin topik thread yg sedikit berbeda, namun sangat penting untuk dikuasai. Kenapa? Karena salah satu kunci kesuksesan seorang data scientist itu adalah giat mencari resources sebanyak-banyaknya dari jurnal paper.
Baca research paper pun ada ilmunya guys, yang pastinya ga akan ribetin kamu (malah bikin bantu banget) kalau kamu tau cara yang baik dan benar untuk membaca research paper