Proyek penutup jalur ini menuntut dua hal yang nyata sekaligus, yaitu dataset yang tidak bersih sebagaimana dataset latihan sebelumnya dan pertanyaan yang jawabannya menunggu seseorang. Topik ini menetapkan tiga syarat pemilihan proyek, memetakan sumber data yang dapat dipertanggung- jawabkan, dan menutupnya dengan pemeriksaan kelayakan satu halaman. Setelah membacanya, proyek yang dipilih memiliki pertanyaan, data, dan keluaran yang tertulis sebelum satu baris kode dikerjakan.
Tiga syarat yang memisahkan proyek dari latihan#
Syarat pertama adalah pertanyaan yang jawabannya dibutuhkan seseorang, dan sumbernya bisa saja internal, komunitas, atau organisasi studi. Pertanyaan yang tidak menunggu siapa pun dapat dilatih pada dataset apa pun, tetapi ia tidak menjadi proyek, melainkan tetap latihan, sebab kualitas pertanyaan pemangku kepentingan menentukan hampir semua keputusan analisis sebagaimana dipelajari pada modul cara berpikir.
Syarat kedua adalah data yang diperoleh dengan izin jelas dan cukup untuk pertanyaannya, termasuk keberantakan yang wajar. Dataset yang terlalu bersih menghilangkan separuh pekerjaan yang justru dinilai pada proyek ini, dan syarat ketiga adalah keluaran yang bentuknya disepakati, yaitu laporan, dek, atau dashboard, sebab bentuk keluaran menentukan arah setiap tahap sebagaimana CRISP-DM menyatakannya.
Ketiganya diperiksa dengan satu kalimat per syarat sebelum dimulai, dan kalimat yang gagal dibentuk menandakan proyek yang belum siap, bukan proyek yang perlu dipaksa jalan.
Sumber data yang dapat dipertanggungjawabkan#
Sumber data dipilih dengan dua lensa, yaitu izinnya yang jelas dan keberantakannya yang nyata. Tabel berikut menyusun jenis sumber yang dapat dipertanggungjawabkan beserta kekuatan dan harganya.
| Sumber | Kekuatan | Harga yang dibayar |
|---|---|---|
| Data terbuka pemerintah | luas domainnya, izinnya jelas | granularitas sering kasar |
| Ekspor internal organisasi | relevansi tinggi | butuh sponsor dan izin akses |
| Hasil kumpul data sendiri | definisi kolom terkendali | mahal waktu, kecil ukurannya |
| Kompetisi data publik | mutu tantangannya tinggi | pertanyaannya sudah ditetapkan |
Sumber yang dipilih dicatat asal-usulnya sejak awal, yaitu tautan atau penanggung jawabnya, tanggal perolehan, dan ketentuan pakainya, sebagaimana disiplin etika pada modul sebelumnya. Keberantakan yang diinginkan bukan kerusakan yang membuat data tak berguna, melainkan nilai hilang, duplikat, dan format campur yang menuntut kamus pembersihan dengan justifikasi.
Pengalaman jalur ini menunjukkan polanya, yaitu dataset latihan
ukuran_udara.csv sengaja disimpan berantakan dengan sembilan nilai hilang,
dua baris ganda, dan satu sensor rusak, dan proyek nyata menuntut keberantakan
yang tidak dirancang, sehingga keterampilan pembersihannya teruji sungguhan.
Pemeriksaan kelayakan satu halaman#
Pemeriksaan kelayakan adalah satu halaman yang ditulis sebelum proyek dimulai, dan enam butirnya diperiksa dengan jujur. Pertama, keputusan yang diminta dan siapa pemutusnya. Kedua, pertanyaan yang dapat diuji beserta metriknya. Ketiga, data yang tersedia beserta izin dan batas waktunya. Keempat, keluaran yang disepakati bentuknya. Kelima, risiko terbesar beserta rencana penangkalnya. Keenam, batas waktu yang realistis beserta tahapannya.
Butir risiko adalah yang paling sering dilewati, dan risiko yang paling umum pada proyek data adalah data yang ternyata tidak mencakup pertanyaan. Penangkalnya adalah pemeriksaan kecil pada sebagian data sebelum komitmen penuh, sekecil membuka seratus baris pertama dan menguji pertanyaan pada potongan itu.
Batas waktu disusun mengikuti proporsi yang jujur dari CRISP-DM, yaitu akuisisi dan pembersihan memakan separuhnya, eksplorasi seperempatnya, dan sisanya bagi pemodelan serta komunikasi, dan jadwal itu dituliskan agar keputusan berhenti pada tahap yang disepakati tetap sah.
Kesalahan umum#
Kesalahan pertama adalah memilih dataset dahulu dan mencari pertanyaan kemudian. Hasilnya adalah analisis yang mencari pemakai, dan pertanyaan yang seharusnya menggerakkan setiap tahap baru muncul ketika laporan ditulis.
Kesalahan kedua adalah proyek tanpa pemangku kepentingan yang menunggu. Tanpa pembaca yang menunggu jawaban, setiap ambang dan batas waktu kehilangan pengikatnya, dan kerja berhenti pada kepuasan teknis.
Kesalahan ketiga adalah berkomitmen sebelum melihat seratus baris pertama. Kebutuhan kolom yang tidak tersedia baru ketahuan setelah minggu pembersihan, dan pemeriksaan kelayakan kecil menutup risiko yang termahal itu.
Ringkasan#
- Proyek menuntut pertanyaan yang ditunggu seseorang, data yang diizinkan dan berantakan sebagaimana nyata, serta keluaran yang bentuknya disepakati.
- Sumber data dipilih dengan izin yang jelas, dan asal-usulnya dicatat sejak hari pertama.
- Pemeriksaan kelayakan enam butir ditulis sebelum komitmen, dengan risiko data sebagai butir yang paling menentukan.
- Jadwal mengikuti proporsi yang jujur, yaitu pembersihan sebagai pekerjaan terbesarnya.
Referensi#
- The Data Warehouse Toolkit, 3rd Edition — Kimball & Ross, Wiley — rujukan pemahaman data produksi sebelum proyek analisis dimulai.
- Data Science Specialization Capstone — Johns Hopkins University, Coursera — contoh struktur proyek penutup yang menuntut data dan pertanyaan nyata.