Pada Final Project Bootcamp Data Analyst, peserta mengerjakan studi kasus analisis dataset historis Shark Attacks. Dataset yang digunakan berasal dari file “01 shark attacks lite.csv†yang berisi catatan insiden serangan hiu di berbagai wilayah dunia.
Project ini berfokus pada salah satu pekerjaan penting seorang Data Analyst, yaitu mengubah data mentah yang belum rapi menjadi dataset yang lebih terstruktur dan siap dianalisis. Peserta melakukan inspeksi dataset, data cleaning, standardisasi kategori, penyesuaian tipe data, analisis statistik deskriptif, hingga penyajian hasil dalam bentuk dashboard.
Studi Kasus: Data Serangan Hiu yang Belum Terstruktur
Dataset awal terdiri dari 4.614 baris dan 22 kolom. Beberapa variabel yang dianggap relevan untuk analisis antara lain:
- Date
- Year
- Type
- Country
- Area
- Activity
- Age
- Fatal (Y/N)
Pada kondisi awal, dataset masih memiliki sejumlah masalah yang dapat memengaruhi hasil analisis.
Beberapa nama kolom mengandung spasi tambahan, data kategorikal memiliki variasi penulisan yang tidak konsisten, dan beberapa kolom numerik justru mengandung teks.
Contohnya, kolom usia tidak selalu berisi satu angka. Kondisi tersebut membuat kolom tidak dapat langsung digunakan untuk menghitung statistik seperti rata-rata usia.
Peserta juga menemukan sejumlah kolom administratif seperti pdf, href, dan original order yang tidak memiliki nilai analitis untuk dashboard yang akan dibuat.
Dari kasus ini, peserta belajar bahwa sebelum membuat chart atau dashboard, kualitas dataset perlu diperiksa terlebih dahulu.
Merapikan Struktur Dataset
Tahap pertama adalah melakukan data cleaning.
Nama-nama kolom dirapikan menggunakan proses trimming untuk menghilangkan spasi berlebih pada awal maupun akhir teks. Tujuannya agar nama field lebih konsisten dan tidak menimbulkan masalah saat digunakan pada proses berikutnya.
Peserta juga menyeleksi kolom yang dibutuhkan dan menghapus field administratif yang tidak memiliki hubungan langsung dengan tujuan analisis.
Langkah ini membantu membuat dataset lebih sederhana dan fokus pada informasi yang benar-benar akan digunakan.
Menangani Missing Value
Dataset juga memiliki banyak nilai kosong.
Peserta tidak menggunakan satu pendekatan untuk seluruh missing value. Perlakuannya disesuaikan dengan karakter data.
Beberapa data kosong dapat diberi label “Unknownâ€Â, beberapa dapat dibiarkan kosong jika tidak memengaruhi visualisasi tertentu, sedangkan baris yang memiliki informasi sangat minim dapat dipertimbangkan untuk dihapus.
Tahap ini memberikan pemahaman bahwa missing value tidak selalu harus langsung dihapus. Data Analyst perlu melihat konteks dan dampaknya terhadap analisis.
Standardisasi Data Kategorikal
Salah satu tantangan terbesar terdapat pada kolom yang berasal dari input teks bebas.
Kolom Activity, misalnya, memiliki banyak variasi aktivitas yang berbeda. Agar dapat dianalisis dengan lebih mudah, peserta mengelompokkannya menjadi kategori yang lebih umum seperti:
Surfing, Swimming, Diving, dan kategori aktivitas lainnya.
Proses pengelompokan dapat menggunakan formula serta pendekatan seperti Regex untuk mengenali pola teks.
Peserta juga menstandarkan nilai pada kolom Fatal (Y/N) agar hanya memiliki kategori yang lebih konsisten seperti Y, N, dan Unknown.
Dengan standardisasi tersebut, hasil agregasi dan visualisasi menjadi lebih mudah dibaca dibandingkan jika setiap variasi penulisan dianggap sebagai kategori yang berbeda.
Membersihkan Data Numerik
Tahap berikutnya adalah memperbaiki kolom numerik seperti Age dan Year.
Pada kolom Age, peserta mengekstrak angka pertama dari data yang masih bercampur dengan teks. Setelah itu, data dikonversi menjadi bentuk numerik agar dapat digunakan untuk perhitungan statistik.
Kolom Year juga diperiksa agar hanya berisi tahun yang valid.
Proses ini menjadi latihan bagi peserta untuk memahami bahwa tipe data merupakan bagian penting dari analisis. Data yang secara konsep numerik belum tentu tersimpan dalam format numerik yang siap dihitung.
Analisis Statistik Deskriptif
Setelah dataset dibersihkan, peserta melakukan analisis deskriptif untuk melihat karakteristik dasar data.
Dari sisi usia korban, diperoleh rata-rata sekitar 27,7 tahun, sedangkan nilai median berada pada 24 tahun.
Usia korban pada dataset memiliki rentang yang cukup lebar, mulai dari 1 tahun hingga 87 tahun.
Untuk tahun kejadian, rata-rata berada di sekitar 1987, dengan median pada 1994. Hal ini menunjukkan bahwa sebagian besar pencatatan dalam dataset berada pada periode yang relatif modern.
Peserta juga melakukan analisis terhadap data kategorikal.
Kategori serangan yang paling banyak muncul adalah Unprovoked, dengan sekitar 3.399 kasus.
Sementara pada kategori fatalitas, mayoritas insiden berada pada nilai N, yaitu korban tidak meninggal, dengan sekitar 3.667 kasus.
Angka-angka tersebut digunakan sebagai insight awal sebelum data disajikan dalam bentuk visual.
Dari Dataset ke Dashboard
Tahap akhir project adalah menyajikan data yang telah dibersihkan ke dalam dashboard visualisasi.
Dashboard digunakan untuk membantu pembaca memahami hasil analisis tanpa harus membaca ribuan baris dataset.
Data yang sebelumnya memiliki masalah seperti variasi kategori, missing value, dan tipe data yang tidak sesuai sudah dipersiapkan agar dapat menghasilkan diagram yang lebih konsisten.
Dalam konteks final project ini, teknologi dan pendekatan yang digunakan mencakup dataset CSV, pengolahan data menggunakan formula dan Regex, statistical descriptive analysis, serta dashboard visualization.
Insight dan Benefit Final Project
Melalui final project Beware of Shark Attack, peserta mendapatkan pengalaman menjalankan sebagian besar workflow dasar seorang Data Analyst: mulai dari data inspection, data cleaning, column selection, missing value handling, categorical standardization, data type conversion, descriptive analysis, hingga dashboard development.
Salah satu insight penting dari project ini adalah bahwa visualisasi yang baik sangat bergantung pada kualitas data di belakangnya.
Dashboard yang terlihat rapi belum tentu menghasilkan informasi yang benar jika kategori masih tidak konsisten atau kolom numerik masih bercampur dengan teks.
Final project ini juga dapat digunakan sebagai bagian dari portfolio peserta untuk menunjukkan bahwa proses Data Analyst tidak dimulai dari membuat chart, tetapi dari memahami dan memperbaiki dataset agar insight yang dihasilkan lebih mudah dibaca dan lebih dapat digunakan.