Dataset Terbuka

Keterampilan data science hanya tumbuh kalau kita punya bahan berlatih: data sungguhan dengan kekasaran khasnya, mulai dari missing values sampai format tanggal yang tidak konsisten. Mengarang data sendiri tidak menantang karena data buatan cenderung terlalu rapi. Untungnya banyak pihak membagikan dataset secara terbuka justru agar diolah orang lain. Pada chapter ini kita memetakan tiga katalog utama dataset terbuka, aturan main dalam memakainya, dan cara memilih dataset yang tepat untuk tahap kemampuan kita saat ini.

Tiga Katalog Dataset Utama #

Tiga katalog berikut paling sering dipakai praktisi di seluruh dunia dan menjadi titik awal pencarian yang wajar:

Ketiganya punya karakter berbeda dan saling melengkapi. Kaggle unggul dalam keragaman: hampir semua tema yang kita bayangkan sudah ada, dan kolom ulasan membantu menyaring dataset mana yang benar-benar terawat. UCI unggul dalam kejelasan tujuan: dataset di sana umumnya dipakai ribuan publikasi penelitian sehingga deskripsi kolomnya biasanya jujur dan lengkap. Kumpulan paket data di GitHub unggul dalam kesederhanaan: tanpa perlu membuat akun, kita langsung mendapatkan berkas CSV dan halaman penjelasannya.

Untuk konteks Indonesia, portal data terbuka pemerintah seperti data.go.id serta publikasi statistik dari BPS juga menyediakan data harga, perdagangan, dan sosial dengan cakupan nasional. Cari dan telusuri portal tersebut langsung lewat mesin pencari, lalu perlakukan datasetnya dengan daftar periksa yang sama seperti tiga katalog di atas.

Lisensi dan Etika Penggunaan #

Terbuka untuk diunduh belum berarti bebas dipakai untuk keperluan apa pun. Setiap dataset membawa ketentuan yang mengatur tiga hal: boleh dipakai untuk apa (misalnya riset saja atau komersial juga), apakah nama sumber wajib dicantumkan, dan apakah hasil olahannya wajib dibagikan dengan lisensi yang sama. Ketentuan ini tertulis pada halaman lisensi tiap dataset — di Kaggle ada pada tab tersendiri, di UCI ada pada bagian deskripsi, dan di GitHub ada pada berkas LICENSE di tiap repositori.

Etika pemakaian yang sehat juga mencakup kejujuran pelaporan: tuliskan asal dataset, tanggal pengunduhan, dan lisensinya pada laporan kita. Kebiasaan ini sejalan dengan materi pencatatan asal data yang sudah kita pelajari, dan membuat analisis kita dapat ditelusuri ulang oleh orang lain.

Memilih Dataset untuk Latihan #

Banyaknya pilihan justru sering membuat kita bingung memulai. Tiga kriteria berikut membantu menyaring dataset yang cocok untuk berlatih:

Dua kriteria tambahan yang layak diperhatikan: ketersediaan data untuk label yang ingin diprediksi (bila kita berlatih supervised learning), dan format berkas yang umum (CSV atau Excel). Dataset tanpa kolom target tetap berguna untuk latihan eksplorasi dan unsupervised learning, tetapi tidak bisa dipakai berlatih klasifikasi.

Urutan Kesulitan Latihan #

Tidak semua dataset cocok untuk semua tahap. Urutan berikut membantu kita naik kelas tanpa melompat terlalu jauh:

Dataset Terdokumentasi di Dalam scikit-learn #

Sebelum menjelajah katalog daring, ada satu sumber yang terpasang bersama scikit-learn: dataset contoh bawaan. Dataset ini kecil, bersih, dan yang terpenting menyertakan deskripsi lengkap — perilaku yang sama yang kita cari pada dataset publik mana pun. Contoh berikut memperlihatkan cara membaca deskripsi dataset Iris yang selama puluhan tahun menjadi titik awal latihan machine learning.

from sklearn.datasets import load_iris

iris = load_iris()

# Dataset yang terdokumentasi baik selalu menyertakan deskripsi (DESCR)
baris_awal = [b for b in iris.DESCR.splitlines()
              if b.strip() and not b.startswith("..")][:4]
print("\n".join(baris_awal))
print("...")
print("Jumlah baris :", iris.data.shape[0])
print("Nama fitur   :", list(iris.feature_names))

Output yang Dihasilkan:

Iris plants dataset
--------------------
**Data Set Characteristics:**
:Number of Instances: 150 (50 in each of three classes)
...
Jumlah baris : 150
Nama fitur   : ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

Mari kita telaah baris-baris kode di atas:

1. Baris 1 (from sklearn.datasets import load_iris): kita memuat fungsi pemuat dataset bawaan; tidak ada unduhan karena datasetnya ikut terpasang bersama scikit-learn.
2. Baris 5-6 (baris_awal = ...): atribut DESCR menyimpan teks deskripsi dataset. Kita menyaring baris kosong dan penanda direktif Sphinx (..) agar cuplikan yang dicetak mudah dibaca.
3. Baris 9-10 (print("Jumlah baris ...")): atribut data.shape dan feature_names menjawab dua pertanyaan pertama dari daftar periksa kita — berapa ukurannya dan apa arti kolomnya — tanpa membuka peramban.

Rangkuman #

• Tiga katalog utama dataset terbuka: Kaggle untuk keragaman dan ulasan, UCI untuk dataset klasik terkurasi, dan paket data GitHub untuk CSV ringkas tanpa perlu akun; portal data pemerintah Indonesia melengkapinya untuk konteks nasional.
• Terbuka untuk diunduh bukan berarti bebas segalanya: periksa lisensi, hormati aturan atribusi, dan hindari mengunggah ulang data berjejak individu.
• Saring kandidat dataset dengan tiga kriteria — ukuran ratusan sampai puluhan ribu baris, 5-15 kolom beragam, dan dokumentasi kolom yang jelas.
• Naikkan tingkat kesulitan bertahap: tabel tunggal dulu, lalu multi-tabel dan data waktu, barulah tantangan data besar atau tidak lengkap.

Dataset menyediakan bahan latihan, tetapi membaca dan mengolahnya tetap menuntut fondasi yang benar: matematika. Chapter berikutnya memetakan rujukan untuk memperdalam aljabar linear, kalkulus, dan probabilitas secukupnya — secukupnya untuk data science, bukan untuk ujian masuk sekolah pascasarjana.