Kalkulasi Entropi Informasi: Mengukur Titik Jenuh Perubahan Alur Kartu Berbasis Teori Shannon.
Perubahan alur kartu pada sistem pembayaran, loyalty, atau akses fisik sering dilakukan tanpa ukuran yang jelas sehingga tim produk sulit mengetahui kapan inovasi kecil justru membuat pengguna bingung dan proses menjadi lambat. Di sinilah kalkulasi entropi informasi berguna, karena teori Shannon memberi cara kuantitatif untuk mengukur ketidakpastian dalam keputusan pengguna saat mengikuti langkah langkah di sebuah alur kartu.
Peta Masalahnya: Alur Kartu Itu Rangkaian Pilihan, Bukan Sekadar Layar
Alur kartu berbasis aplikasi maupun kartu fisik pada dasarnya berisi titik keputusan: pilih jenis kartu, pilih sumber dana, verifikasi, masukkan PIN, tap, konfirmasi, lalu selesai. Setiap titik keputusan memiliki distribusi kemungkinan tindakan pengguna. Jika pilihan pengguna tersebar merata, ketidakpastian tinggi. Jika mayoritas pengguna memilih satu tindakan yang sama, ketidakpastian rendah. Masalah muncul ketika tim menambah opsi, menyisipkan langkah keamanan, atau mengganti urutan, tetapi tidak mengukur apakah perubahan itu menambah kebingungan atau justru memperjelas jalur dominan.
Entropi Shannon Sebagai Termometer Ketidakpastian
Entropi informasi dalam teori Shannon biasanya ditulis H(X) = minus jumlah dari p(x) dikali log2 p(x). Dalam konteks alur kartu, X dapat dipahami sebagai variabel pilihan pengguna pada satu langkah tertentu. Misalnya pada layar pemilihan metode otentikasi, pengguna bisa memilih OTP, biometrik, atau PIN. Jika masing masing dipilih 33 persen, entropinya tinggi karena sistem tidak bisa memprediksi jalur yang akan diambil. Jika biometrik dipilih 90 persen, entropinya rendah karena jalur dominan jelas.
Nilai entropi dapat dipakai sebagai indikator beban kognitif dan potensi friksi. Bukan berarti entropi tinggi selalu buruk, karena kadang variasi pilihan memang dibutuhkan. Namun pada alur kartu yang ideal, bagian yang kritis untuk transaksi sebaiknya memiliki ketidakpastian rendah agar pengguna tidak ragu, sedangkan variasi bisa ditempatkan di area pengaturan atau preferensi.
Skema Tidak Biasa: Audit Titik Jenuh dengan Metode “Kartu Memilih Kamu”
Agar pengukuran tidak berhenti sebagai angka, gunakan skema audit yang membalik perspektif. Anggap alur kartu sebagai agen yang mencoba menebak tindakan pengguna. Setiap langkah diberi pertanyaan: seberapa yakin alur ini bisa menebak keputusan berikutnya? Di sini entropi menjadi skor kepercayaan. Jika H tinggi, alur “tidak mengenal” pengguna di titik itu, sehingga perlu perbaikan seperti penyederhanaan opsi, penajaman microcopy, atau default yang lebih kuat.
Langkah praktisnya: kumpulkan data klik, tap, back, timeout, dan pembatalan per langkah. Bentuk distribusi p untuk setiap pilihan. Hitung H per langkah, lalu buat peta panas entropi sepanjang journey. Titik dengan H tinggi yang berdekatan dengan metrik gagal seperti drop off atau error rate biasanya merupakan sumber friksi yang nyata.
Mengukur Titik Jenuh Perubahan Alur Kartu
Titik jenuh terjadi saat penambahan perubahan tidak lagi menurunkan entropi total alur, atau bahkan membuatnya naik. Cara sederhananya adalah menghitung entropi agregat berbobot: jumlahkan H langkah demi langkah dan beri bobot berdasarkan dampak bisnis, misalnya langkah pembayaran diberi bobot lebih tinggi daripada langkah memilih tema kartu. Lakukan sebelum dan sesudah perubahan. Jika versi baru menambah entropi di langkah kritis tanpa meningkatkan keberhasilan transaksi, itu tanda perubahan melewati titik optimal.
Agar lebih tajam, bandingkan juga entropi terhadap waktu. Jika entropi turun tetapi durasi transaksi naik, berarti alur makin dapat diprediksi namun mungkin terlalu banyak kontrol atau verifikasi. Jika entropi naik dan durasi naik, biasanya ada langkah ambigu. Jika entropi naik tetapi keberhasilan naik, bisa jadi pengguna memang membutuhkan opsi tambahan, sehingga pekerjaan berikutnya adalah menata informasi agar pilihan tetap jelas.
Contoh Mikro: Menambah Opsi Kartu dan Efeknya ke Entropi
Bayangkan awalnya pengguna hanya memilih kartu Debit atau Kredit dengan distribusi 80 persen Debit dan 20 persen Kredit. Entropi langkah ini relatif rendah. Lalu tim menambah opsi Baru seperti PayLater, Virtual Card, dan Gift Card, sehingga distribusi menjadi lebih rata. Entropi naik, dan pengguna lebih sering membuka detail tiap opsi sebelum melanjutkan. Jika metrik drop off meningkat, berarti alur butuh strategi pengurangan ketidakpastian, misalnya rekomendasi berdasarkan riwayat, label “paling sering digunakan”, atau menempatkan opsi jarang dipakai di bawah lipatan.
Rumus Bertemu Desain: Intervensi yang Menurunkan Entropi Tanpa Menghapus Pilihan
Penurunan entropi tidak selalu berarti menghapus fitur. Cara halus adalah mengubah distribusi p melalui desain. Default yang kuat mendorong pilihan dominan. Progressive disclosure memisahkan keputusan besar dari keputusan kecil. Validasi real time mengurangi percobaan acak. Bahkan urutan langkah bisa mempengaruhi p, misalnya meminta nominal sebelum memilih kartu sering membuat pilihan kartu lebih stabil karena konteks kebutuhan sudah terbentuk.
Dalam alur kartu berbasis keamanan, tantangannya adalah menjaga risiko tetap rendah sambil menekan ketidakpastian. Di sini Anda bisa mengukur entropi pada cabang autentikasi dan mencocokkannya dengan fraud rate. Jika entropi rendah tetapi fraud naik, mungkin terlalu permisif. Jika entropi tinggi dan fraud rendah, mungkin terlalu membebani pengguna. Angka Shannon membantu menegosiasikan keputusan antara keamanan dan pengalaman, bukan sekadar debat opini.
Home
Bookmark
Bagikan
About
Chat
