Sepuluh bagian di belakang kita bermuara pada satu produk akhir: laporan. Bagian inilah yang dibaca kebanyakan orang — keputusan diambil dari ringkasan eksekutifnya, bukan dari baris kode pandas — sehingga mutunya menentukan nilai seluruh proyek. Pada bagian ini kita membedah struktur laporan akhir laporan-akhir.txt, memeriksa bahwa setiap angkanya memang berasal dari data, lalu menutup proyek dengan refleksi dan sebuah checklist untuk versi mandiri Anda. Terakhir, karena proyek ini adalah yang paling akhir dari lima proyek Course Data Science, kita tutup sekaligus perjalanan Course-nya secara keseluruhan.

Lima Bagian Laporan Akhir #

Laporan akhir proyek ini berformat teks datar: bisa dibuka tanpa Python, dicetak, atau dibaca di ponsel. Strukurnya lima bagian dengan tugas yang jelas:

BagianIsiBahannya dari
1. Ringkasan EksekutifJawaban P1-P4 dalam tiga paragrafBagian 8 dan 10
2. MetodeData, temuan validasi, keputusan pembersihan, teknik terpilihBagian 2 sampai 7
3. Temuan UtamaEmpat temuan T1-T4 beserta angka kuncinyaBagian 8 dan 10
4. KeterbatasanBatas-batas yang diakui secara terbukaBagian 10
5. Lampiran: Angka KunciSeluruh angka penting siap periksa ulangseluruh bagian

Kerangka lengkapnya terbaca sekali lihat:

text Kerangka laporan-akhir.txt 
================================================================
LAPORAN ANALISIS DATASET TERBUKA - NILAI UJIAN SISWA
================================================================
Dataset / Analisis / Alat          <- kepala laporan
1. RINGKASAN EKSEKUTIF              <- untuk pembaca sibuk
2. METODE                           <- agar analisis bisa diulang
3. TEMUAN UTAMA                     <- T1-T4 dengan angka kunci
4. KETERBATASAN                     <- batas yang diakui jujur
5. LAMPIRAN: ANGKA KUNCI            <- untuk pemeriksa yang cerewet
================================================================

Urutan lima bagian itu sengaja: pembaca sibuk cukup berhenti di bagian 1 untuk mengerti semuanya; pembaca teknis turun ke metode dan temuan; pemeriksa yang ingin menguji kejujuran laporan masuk ke lampiran. Kalimat terakhir lampiran bahkan berjanji bahwa seluruh angka dapat direproduksi — dan janji semacam itu memang harus bisa diuji, bukan sekadar dipercaya.

Membedah Isi Laporan dari Berkasnya #

Laporan ditulis oleh skrip src/analisis_siswa.py, bukan diketik tangan, sehingga strukturnya bisa diperiksa langsung dari berkasnya. Blok berikut membaca laporan-akhir.txt dari folder proyek, menghitung barisnya, mendeteksi kelima bagian, lalu memastikan angka-angka kunci hasil Bagian 8 benar-benar tercantum:

python 
import re
from pathlib import Path

laporan = Path("../laporan/laporan-akhir.txt").read_text(encoding="utf-8")
baris_laporan = laporan.splitlines()
print("Jumlah baris laporan :", len(baris_laporan))

judul_bagian = [b for b in baris_laporan if re.match(r"^\d+\. [A-Z]", b)]
print("\nBagian laporan yang terdeteksi:")
for judul in judul_bagian:
    print("  -", judul)

angka_kunci = ["0,94", "0,87", "2,88", "0,88", "0,44", "30"]
print("\nAngka kunci tercantum di laporan:")
for angka in angka_kunci:
    print(f"  {angka:>5} : {'ya' if angka in laporan else 'TIDAK'}")

Output yang Dihasilkan:

text 
Jumlah baris laporan : 81

Bagian laporan yang terdeteksi:
  - 1. RINGKASAN EKSEKUTIF
  - 2. METODE
  - 3. TEMUAN UTAMA
  - 4. KETERBATASAN
  - 5. LAMPIRAN: ANGKA KUNCI

Angka kunci tercantum di laporan:
   0,94 : ya
   0,87 : ya
   2,88 : ya
   0,88 : ya
   0,44 : ya
     30 : ya

Cara kerja pemeriksaannya:

  1. read_text() lalu splitlines() memuat seluruh laporan sebagai daftar 81 baris — cukup ringkas untuk dicetak satu-dua lembar.
  2. re.match(r"^\\d+\\. [A-Z]", b) hanya menangkap baris judul bagian: diawali angka, titik, spasi, lalu huruf kapital. Baris isi seperti T1. ... tidak ikut karena tidak diawali angka.
  3. Enam angka kunci diperiksa dengan operator in: r = 0,94 dan 0,87 dari P1-P2, slope 2,88 dan R-kuadrat 0,88 dari P4, p = 0,44 dari P3, serta 30 baris bersih dari Bagian 5. Seluruhnya tersurat — janji keterulangan pada lampiran terbukti pada tingkat struktur dan angka sekaligus.

Potongan Ringkasan Eksekutif #

Bagian pembuka laporan memperlihatkan bagaimana bahasa Bagian 10 dipakai sungguhan. Berikut potongannya:

text Potongan laporan-akhir.txt, bagian 1 
1. RINGKASAN EKSEKUTIF
----------------------------------------------------------------
Jam belajar mingguan berkorelasi sangat kuat dengan nilai ujian
(r = 0,94). Kehadiran juga berkorelasi
kuat dengan nilai (r = 0,87).

Tiga sifat ringkasan tersebut layak ditiru pada laporan versi Anda: setiap klaim memuat angkanya (r = 0,94), satuan dan format mengikuti kebiasaan pembaca Indonesia (koma desimal), dan kesimpulan yang tidak bermakna ditulis dengan bahasa “belum ada bukti cukup” — bukan dipaksa menjadi pemenang. Bagian Metode di bawahnya menuliskan jumlah baris mentah, temuan validasi, dan keputusan pembersihan satu per satu, sehingga siapa pun yang ingin mengulang analisis tahu titik berangkatnya.

Mengunduh dan Menjalankan Sendiri #

Tiga berkas proyek — data mentah data/nilai_siswa.csv, skrip src/analisis_siswa.py, dan laporan laporan/laporan-akhir.txt — dapat diunduh dari halaman overview proyek ; tautan unduhnya tampil pada kepala tiap blok berkas di halaman tersebut. Skripnya juga tampil di bagian Berkas Sumber pada setiap halaman bagian. Setelah ketiganya tersimpan dengan struktur folder yang sama, satu perintah dari folder proyek menjalankan seluruh alur dari data mentah hingga laporan tertulis ulang: python3 src/analisis_siswa.py. Untuk versi mandiri Anda, cukup ganti berkas CSV dengan dataset pilihan sendiri dan sesuaikan nama kolomnya — alur validasi, pembersihan, analisis, hingga laporan tidak berubah.

Refleksi Proyek Mandiri #

Proyek penutup ini berbeda dari empat pendahulunya pada satu hal: seluruh keputusan berada di tangan kita — dataset dipilih sendiri, pertanyaan dirumuskan sendiri, teknik dipertanggungjawabkan sendiri. Mengerjakannya sebelas bagian penuh, ada lima pelajaran yang layak dibawa ke proyek berikutnya:

  1. Dokumentasi menentukan arah sejak hari pertama. Kamus data pada Bagian 2 yang mengisyaratkan sel -, dan konteks “laporan mandiri” yang mengubah cara membaca jam belajar — keduanya berasal dari dokumentasi, bukan dari kode.
  2. Setiap keputusan pembersihan perlu alasan yang bisa ditulis. Membuang baris Uma diputuskan karena tidak ada rumus pengisinya; alasan semacam itu kelak dibaca pembaca laporan pada bagian Metode.
  3. Jawaban “tidak bermakna” adalah jawaban. P3 ditutup tanpa menemukan perbedaan kelas, dan laporan tetap utuh — proyek yang selesai bukan proyek yang semua hasilnya seru.
  4. Angka, grafik, dan kalimat harus bercerita tentang hal yang sama. Grafik batang yang jujur pada Bagian 9 memvisualkan p = 0,44, bukan melawannya.
  5. Proyek nyata berputar, bukan berjalan lurus. Temuan di tengah jalan sering mengundang kita kembali ke tahap merumuskan pertanyaan atau mencari data tambahan — kembali bukan berarti gagal, melainkan berarti belajar.

Checklist untuk Versi Anda #

Sebelum laporan versi mandiri Anda dinyatakan selesai, telusuri sebelas butir berikut — satu untuk tiap bagian proyek:

  1. Dataset terpilih dengan empat kriteria, dan lisensinya dicatat.
  2. Dokumentasi dibaca tiga lapisnya: kamus data, konteks, batas interpretasi.
  3. Tiga sampai lima pertanyaan terukur, tiap satu menyebut kolom dan teknik kandidatnya.
  4. Validasi menemukan dan melokalkan seluruh masalah: bentuk, duplikat, sel kosong, konsistensi kategori.
  5. Pembersihan punya catatan keputusan, dan pemeriksaan ulangnya nol sisa.
  6. Eksplorasi menghasilkan statistik per kelompok dan dugaan-dugaan awal.
  7. Teknik terpilih dengan alasan tertulis — termasuk alasan menolak teknik lain.
  8. Analisis dijalankan, dan setiap p-value dibaca dengan arah yang benar.
  9. Dua-tiga grafik menjawab pertanyaan, dengan sumbu yang jujur.
  10. Interpretasi memuat status bukti tiap temuan serta daftar keterbatasan.
  11. Laporan lima bagian tertulis, dan keterulangan angkanya sudah diuji.

Penutup Course: Dari Pertanyaan Pertama hingga Proyek Mandiri #

Dengan laporan ini, perjalanan Course Data Science tuntas. Kita mulai dari membedakan data science dengan analisis data, machine learning, dan data engineering, lalu menguatkan diri pada matematika yang menopangnya — dari aljabar sampai intuisi kalkulus — dan menata lingkungan kerja Python. Dari sana kita belajar mengenal data, mengumpulkannya, membersihkannya, menjelajahinya, menggambarkannya, dan mengujinya dengan statistika; menerapkan teknik analisis, merancang fitur, membangun model dari dasar hingga evaluasinya, membaca deret waktu, sampai teknik lanjutan. Di sepanjang jalan, Course juga meneguhkan kebiasaan kerja yang membuat semuanya bisa dipercaya: alur kerja yang rapi, komunikasi dan pelaporan yang jujur, operasionalisasi model, dan etika pengelolaan data.

Lima proyek menandai titik-titik jeda perjalanan itu: analisis penjualan yang mengajarkan agregasi dan anomali, harga komoditas yang melatih perbandingan dan gejolak, segmentasi pelanggan yang memperkenalkan clustering, prediksi harga yang merangkai deret waktu dan baseline, dan akhirnya proyek ini — dataset terbuka yang Anda pilih dan tuntasi sendiri. Kalimat penghargaan yang jujur: menempuh seluruh materi sampai ke sini butuh kegigihan yang tidak dimiliki semua orang yang memulai, dan keterampilan yang kini Anda pegang hanya bisa bertambah lewat pemakaian. Alat hanyalah alat; yang mengarahkan tetap pertanyaan yang Anda bawa, dan kejujuran Anda pada angkanya.

Langkah berikutnya sepenuhnya milik Anda. Ambil dataset dari dunia yang dekat dengan Anda, kerjakan sebelas bagian ini dengan pola yang sama, dan bereksperimenlah secara interaktif dengan Jupyter bila ingin mencampur kode, angka, dan catatan dalam satu buku kerja. Kapan pun Anda perlu mengingat kembali istilah yang lama tak terpakai, Glosarium menampungnya dengan penjelasan ringkas. Data berikutnya sudah menunggu — dan kali ini Anda tahu persis apa yang harus dikerjakan sejak baris pertamanya.