Kumpulan Data dan Cara Menemukannya: Menavigasi Lanskap Informasi

Baik Anda menambahkan proyek data ke portofolio atau memulai proyek pertama sebagai data scientist berbayar, tugas pertama Anda adalah menemukan kumpulan data yang sesuai. Jadi, apa itu kumpulan data, dan di mana Anda bisa menemukannya?

Data ada di mana-mana, tetapi menemukan sumber informasi yang bereputasi baik dan mudah diakses untuk menjawab pertanyaan spesifik yang Anda cari bisa jauh lebih sulit daripada kelihatannya. Namun, awal dari setiap proyek data yang hebat dimulai dengan menemukan kumpulan data yang baik. Dalam tutorial ini, kami akan membahas secara singkat jenis-jenis kumpulan data yang tersedia, cara menemukannya, dan apa yang harus dilakukan setelah Anda mendapatkannya.

Apa Itu Kumpulan Data?

Kumpulan data adalah sekumpulan informasi. Biasanya, informasi ini diatur dengan cara tertentu, meskipun Anda mungkin mendapati bahwa pengaturannya tidak langsung berguna untuk konteks Anda dan perlu sedikit usaha dari pihak Anda agar dapat digunakan.

Ada beberapa jenis data yang dapat diatur dengan cara berbeda. Jenis kumpulan data yang umum meliputi:

• Data tabular, yang disusun dalam tabel, seperti spreadsheet
• Data relasional, yaitu sekumpulan tabel yang terhubung melalui relasi
• Data deret waktu (time-series), yaitu data yang diurutkan secara kronologis.

Kumpulan data lain mungkin berupa koleksi gambar, dokumen teks, atau rekaman audio maupun video.

Di Mana Saya Bisa Menemukan Kumpulan Data?

Mencari kumpulan data andal untuk dikerjakan bisa memakan waktu. Ada banyak kumpulan data gratis yang tersedia, meskipun banyak juga yang berbayar atau bahkan bersifat proprietari.

Menemukan data yang Anda perlukan untuk memulai proyek mungkin menjadi rumit karena paywall, isu hukum, hak kekayaan intelektual, atau dalam beberapa kasus, data persis yang Anda cari mungkin bahkan belum ada.

Dalam kasus yang terakhir ini, Anda mungkin perlu kreatif dengan apa yang bisa dilakukan dengan data yang tersedia, atau bahkan perlu mengumpulkan data sendiri (yang mungkin menjadi proyek tersendiri). Lihat kursus web scraping dengan Python, kursus memahami data science, atau kursus data science untuk bisnis untuk mendapatkan ide pengumpulan data.

DataCamp memiliki koleksi kumpulan data kurasi yang mudah diakses dalam berbagai topik. Ini bisa menjadi tempat yang bagus untuk melihat-lihat, terutama jika Anda belum tahu harus mulai dari mana.

Lokasi bagus lainnya termasuk situs web pemerintah, organisasi nirlaba, universitas, dan perpustakaan. Di bawah ini adalah tabel dengan beberapa sumber hebat untuk menemukan kumpulan data menarik.

Langkah krusial saat memilih sumber data adalah menilai kualitas dan keandalannya. Yang terpenting, Anda harus memastikan bahwa sumber data Anda bereputasi baik. Masing-masing kumpulan data di DataCamp memiliki tautan ke materi sumber, sehingga Anda dapat dengan mudah memverifikasi keasliannya.

Dengan sumber data lain, Anda mungkin perlu menggali lebih jauh untuk memastikan Anda menggunakan data yang andal. Faktor keandalan yang perlu dipertimbangkan mencakup bagaimana data dikumpulkan, populasi mana yang diwakili oleh data tersebut, dan apakah ada bias dalam proses pengumpulan.

Faktor lain yang perlu dipertimbangkan saat memilih kumpulan data adalah seberapa banyak pembersihan dan pengolahan yang diperlukan agar data siap digunakan. Memilih kumpulan data yang lebih terkurasi dapat menghemat waktu Anda. Namun, sering kali tidak terhindarkan untuk menggunakan data yang lebih berantakan yang memerlukan upaya signifikan untuk memastikan kolom dalam format yang sama, nilai hilang ditangani, dan data duplikat dihapus.

Tutorial pembersihan data ini akan membantu Anda menangani sebagian masalah tersebut.

Menjelajahi Struktur Kumpulan Data

Ada beberapa terminologi standar yang menggambarkan bagian-bagian dalam suatu kumpulan data yang berguna untuk diketahui.

Kumpulan data tabular tersusun atas baris dan kolom. Umumnya, setiap baris adalah satu rekaman, dan setiap kolom menunjukkan atribut atau variabel dari rekaman tersebut.

Setiap sel data pada perpotongan baris dan kolom berisi satu nilai. Suatu indeks memberi setiap rekaman nomor individual. Header, atau baris pertama dari setiap kolom, umumnya adalah nama atribut atau kolom. Dalam basis data relasional, tabel-tabel individual dapat dihubungkan oleh relasi.

Saat pertama kali memperoleh kumpulan data, penting untuk memeriksanya dan mengidentifikasi beberapa fitur kunci ini. Ada banyak opsi untuk melihat kumpulan data Anda, termasuk memuatnya ke Python, SQL, R, atau Matlab dan memanggil baris-baris tertentu untuk ditampilkan.

Bergantung pada jenis dan ukuran file, Anda bahkan mungkin dapat membukanya langsung di Microsoft Excel atau Google Sheets dan melihatnya di sana. Perlu diingat bahwa jika kumpulan data Anda sangat besar, memuat seluruh kumpulan sekaligus akan memakan banyak memori, sehingga Anda mungkin perlu melihatnya secara bertahap.

Membersihkan dan Menyiapkan Kumpulan Data

Sering kali, setelah mendapatkan kumpulan data untuk proyek Anda, langkah berikutnya adalah banyak melakukan pembersihan dan penyiapan agar data siap digunakan. Memilih kumpulan data terkurasi, seperti yang Anda temukan di DataCamp, akan membatasi jumlah pembersihan yang diperlukan.

Namun, Anda kemungkinan masih perlu menyesuaikan kumpulan data agar sesuai dengan kebutuhan. Hal ini terutama benar jika Anda menarik data dari beberapa sumber untuk proyek Anda.

Saat membersihkan dan menyiapkan kumpulan data Anda, beberapa tugas umum yang mungkin perlu dilakukan meliputi:

• Menghapus data yang tidak relevan dengan analisis Anda
• Mengidentifikasi dan menghapus entri data duplikat
• Memperbaiki salah ketik, kesalahan kapitalisasi, atau konvensi penamaan yang tidak konsisten
• Menghapus atau melakukan imputasi pada data yang hilang
• Mengodekan data kategorikal ke format numerik
• Mentransformasikan data ke format yang konsisten
• Memastikan konsistensi dan ketepatan dalam kumpulan data Anda

Lihat kursus-kursus ini untuk informasi lebih lanjut tentang membersihkan data di Python atau membersihkan data di basis data SQL Server.

Analisis Data Eksploratif

Analisis data eksploratif dapat membantu Anda benar-benar memahami kumpulan data Anda, langkah krusial sebelum menyelami analisis yang lebih kompleks. Banyak profesional data junior melewatkan langkah penting ini dan berujung merugikan diri sendiri.

Saya sangat menyarankan Anda melakukan beberapa analisis eksploratif pada kumpulan data sebelum mencoba pemodelan, machine learning, atau analisis kompleks lainnya.

Langkah ini akan membantu Anda menangkap kejanggalan, ketidakkonsistenan, atau masalah pada kumpulan data. Ini akan membimbing Anda menuju analisis yang tepat di tahap berikutnya dan membantu mendeteksi serta memperbaiki hasil yang menyimpang.

Langkah eksploratif ini sebaiknya mengambil berbagai bentuk, dari statistik deskriptif hingga visualisasi sederhana. Untuk sebagian besar kumpulan data tabular, statistik ringkas seperti mean, median, dan standar deviasi, beserta scatter plot atau bagan batang sederhana dapat memberi Anda gambaran berwawasan tentang pola dan perilaku data.

Saya mendorong Anda meluangkan waktu untuk membuat plot sebanyak mungkin variabel dalam kumpulan data Anda secara wajar. Meskipun langkah ini mungkin tidak masuk ke dasbor, laporan, atau aplikasi akhir yang Anda tuju, ini akan membantu membimbing proses Anda. Pelajari lebih lanjut tentang analisis data eksploratif di Python atau analisis data eksploratif di R.

Menampilkan Cerita Data Anda

Tujuan akhir setiap proyek data adalah menyajikan temuan Anda kepada pihak yang berkepentingan. Baik audiens Anda adalah pemangku kepentingan bisnis, calon pemberi kerja, atau rekan data, penting agar wawasan Anda jelas dan mudah diinterpretasikan.

Grafik sederhana dengan judul deskriptif terkadang sudah cukup. Di lain waktu, dasbor yang lebih mendalam mungkin diperlukan. Apa pun pilihan Anda, pastikan interpretasi Anda setia pada kumpulan data.

Lembar contekan visualisasi data kami dapat membantu Anda memilih cara terbaik untuk menampilkan kumpulan data Anda.

Tujuannya adalah untuk menyampaikan secara jujur kepada audiens apa yang direpresentasikan oleh kumpulan data dan bagaimana ia menjawab pertanyaan Anda. Lihat jalur keterampilan data storytelling untuk menguasai keterampilan data penting ini.

DataCamp adalah tempat yang bagus untuk menampilkan portofolio data Anda. Pilihan populer lainnya untuk menghosting portofolio data termasuk repositori GitHub atau laman web profesional. Di mana pun Anda menghosting proyek, pastikan proyek tersebut mudah diakses oleh audiens yang Anda tuju.

Kesimpulan

Informasi adalah inti dari data science. Kumpulan data mengumpulkan informasi di satu tempat, sehingga memungkinkan untuk mengidentifikasi tren, membuat prediksi, dan mendorong kemajuan umat manusia. Menemukan kumpulan data untuk dianalisis mungkin terasa menakutkan pada awalnya. Namun mengetahui beberapa tempat untuk mulai mencari dapat membuat perbedaan besar. Lihat pilihan kumpulan data menarik dari DataCamp dan temukan apa yang menginspirasi Anda!