Garbage In Garbage Out

Dalam ilmu komputer, Garbage In Garbage Out (GIGO) dalam konteks teknologi informasi, adalah ungkapan yang berarti terlepas dari seberapa akurat logika program, hasilnya akan salah jika inputnya tidak valid.

GIGO adalah konsep umum untuk ilmu komputer dan matematika: kualitas output ditentukan oleh kualitas input. Jadi, misalnya, jika persamaan matematika dinyatakan secara tidak benar, jawabannya tidak mungkin benar. Demikian pula, jika data yang salah dimasukkan ke program/ aplikasi, hasilnya tidak akan informatif.

GIGO umumnya digunakan untuk menggambarkan kegagalan dalam pengambilan keputusan manusia karena data yang salah, tidak lengkap, atau tidak tepat. Masalah seperti ini sudah ada sebelum usia komputer, tetapi istilah itu masih bisa diterapkan.

Istilah ini juga dapat digunakan sebagai penjelasan untuk kualitas buruk dari file audio atau video digital. Meskipun digitalisasi dapat menjadi langkah pertama dalam membersihkan sinyal, itu tidak dengan sendirinya meningkatkan kualitas. Kerusakan pada sinyal analog asli akan direkam dengan setia, tetapi mungkin diidentifikasi dan dihapus oleh langkah selanjutnya dengan pemrosesan sinyal digital.

Seperti yang kita ketahui bersama, unsur terpenting untuk analisa yang efektif adalah data berkualitas. Analisis kualitas tergantung pada banyak hal, tidak sedikit di antaranya adalah pemahaman yang tajam tentang masalah bisnis yang akan dianalisis dan tim pro data yang berpengalaman dan berpengetahuan yang memiliki alat dan teknik yang tepat untuk melakukan analisis.

Tetapi unsur terpenting untuk analitik yang efektif adalah data yang berkualitas. Pada dasarnya, kualitas data turun ke tiga faktor: input data, metodologi dan kontrol kualitas.

Suatu program memberikan hasil yang tidak akurat karena data yang tidak akurat disediakan karena komputer akan selalu berusaha untuk memproses data yang diberikan kepadanya. Dengan kata lain, kualitas output suatu sistem biasanya tidak bisa lebih baik daripada kualitas input.

Sampah dapat berupa data yang hanya diisi dengan kesalahan, tetapi juga dapat berupa data yang tidak memiliki penerapan pada keadaan tertentu.

Solusinya adalah tidak hanya menghabiskan waktu pada algoritma aplikasi, tetapi juga menghabiskan waktu untuk memvalidasi input dan / atau memastikan bahwa jenis data yang tepat masuk ke sistem.

Data input berkualitas tinggi sangat penting untuk menghasilkan model dan dataset yang andal. Terlepas dari seberapa bagus model Anda, jika data input yang digunakan untuk membangun dan mengimplementasikannya buruk — tidak lengkap, ketinggalan zaman, bias atau tidak akurat — prediksi atau set data yang dihasilkan memiliki sedikit peluang untuk dapat diandalkan.

Referensi :

Terjemahan bebas dari :

www(dot)techopedia(dot)com

searchsoftwarequality(dot)techtarget(dot)com