Analisis mengenai alur kerja sains data menunjukkan adanya pergeseran cara memahami objektivitas dalam proses ilmiah berbasis algoritma. Objektivitas yang sebelumnya dipahami sebagai “pandangan dari mana-mana” kini cenderung berubah menjadi objektivitas prosedural, yakni objektivitas yang bergantung pada konsistensi langkah-langkah pemrosesan data. Dalam kerangka ini, data tidak dipandang “berbicara sendiri”, melainkan dibentuk sejak tahap pra-pemrosesan melalui berbagai keputusan epistemis.
Kajian tersebut menekankan bahwa setiap tahapan dalam algoritma mengandung “pilihan nilai” (value-laden). Mulai dari pemilihan fitur (feature selection) hingga penentuan fungsi kerugian (loss function), terdapat keputusan yang memengaruhi arah dan hasil pemodelan. Konsekuensinya, objektivitas dalam sains data tidak lagi dimaknai sebagai ketiadaan bias, melainkan sebagai konsistensi matematis dalam memproses bias yang telah ditentukan sebelumnya.
Selain itu, pembahasan menyoroti pergeseran paradigma dari penjelasan kausal menuju prediksi berbasis korelasi. Dalam epistemologi algoritma, pertanyaan “mengapa” cenderung tersisih oleh fokus pada “apa yang mungkin terjadi”. Validitas pengetahuan pun kerap diukur melalui skalabilitas dan akurasi prediktif, bukan melalui kedalaman pemahaman teoretis. Kondisi ini dinilai berisiko karena korelasi semu dapat dianggap sebagai kebenaran ilmiah hanya karena menghasilkan skor akurasi statistik yang tinggi.
Isu lain yang dianggap krusial adalah persoalan “kotak hitam” (black box), terutama pada penggunaan model kompleks seperti deep learning. Ketika sebuah algoritma menghasilkan prediksi yang akurat, tetapi proses internalnya tidak dapat dijelaskan, muncul persoalan transparansi. Dalam konteks ini, sains data dipandang memperkenalkan “epistemologi buram”, di mana validitas pengetahuan tidak lagi mudah diuji melalui penalaran manusia secara langsung, melainkan bertumpu pada validasi silang (cross-validation) dan metrik performa mesin. Perubahan ini dipahami sebagai pergeseran otoritas ilmiah dari subjek manusia ke sistem komputasi.
Pergeseran tersebut juga dibahas dari sisi etis-epistemis, khususnya terkait bias yang dapat terkodifikasi. Karena algoritma belajar dari data historis, sistem berpotensi melanggengkan bias masa lalu ke dalam keputusan masa depan, meski dibungkus dengan klaim “objektivitas matematika”. Dampaknya dapat merembet pada isu keadilan sosial ketika hasil pemodelan digunakan sebagai dasar pengambilan keputusan.
Pada bagian akhir, pembahasan menyimpulkan perlunya pendekatan “epistemologi refleksif” untuk menjaga integritas sains data. Dalam pendekatan ini, pengembang algoritma didorong untuk menyadari bahwa kode yang ditulis bukan sekadar instruksi teknis, melainkan juga memuat asumsi dan konsepsi tentang bagaimana dunia dikategorikan serta dinilai.
