Dataset Latihan Data Analyst: 15 Sumber Data Gratis

Dataset latihan data analyst yang bagus itu dataset yang punya konteks jelas, minimal 5.000 baris, dan ada kolom tanggal di dalamnya. Tiga hal itu cukup buat kamu latihan agregasi, tren waktu, dan segmentasi — tiga hal yang paling sering ditanya di interview.

Masalahnya, kebanyakan orang berhenti di Titanic dan Iris. Dua dataset itu udah dipakai ratusan ribu orang. Recruiter yang buka portfolio kamu bakal lihat grafik yang sama persis kayak 40 pelamar lain.

Di bawah ini 15 sumber dataset gratis yang bisa kamu pakai hari ini, dikelompokkan per jenis. Yang bagian Indonesia aku taruh duluan, soalnya itu yang paling bikin portfolio kamu beda.

Kenapa dataset Indonesia lebih menang di portfolio?

Recruiter lokal nggak perlu waktu buat ngerti konteksnya. Kalau kamu analisis data penjualan e-commerce Indonesia dan bilang "transaksi naik 3x di tanggal 11 November", semua orang di ruangan langsung ngangguk. Nggak perlu penjelasan.

Bandingkan dengan analisis data penjualan supermarket Amerika. Kamu harus jelasin dulu apa itu Thanksgiving, kenapa Black Friday penting, dan kenapa angka bulan Desember beda sendiri.

Waktu penjelasan itu waktu yang hilang. Dataset lokal ngasih kamu head start.

Di mana cari dataset pemerintah Indonesia?

Portal data pemerintah adalah sumber paling underrated buat portfolio. Datanya resmi, gratis, dan hampir nggak ada yang pakai buat portfolio.

1. BPS (Badan Pusat Statistik) — bps.go.id. Data sensus, inflasi, tenaga kerja, PDB per provinsi. Formatnya sering Excel dengan header ganda, jadi kamu bakal dapat latihan data cleaning gratis.
2. Satu Data Indonesia — data.go.id. Agregator dari ratusan instansi. Cari yang formatnya CSV biar nggak repot.
3. Jakarta Open Data — data.jakarta.go.id. Data transportasi, kependudukan, banjir, sampai lokasi TPS. Cocok buat analisis geospasial sederhana.
4. Bank Indonesia — data kurs, suku bunga, sistem pembayaran. Time series bersih, siap dipakai buat latihan analisis tren.
5. Kemendikbud & Kemenkes — data sekolah, fasilitas kesehatan, kasus penyakit per daerah. Datanya besar dan ada dimensi geografis.

Data BPS punya kebiasaan bikin header dua baris dan angka pakai titik sebagai pemisah ribuan. Ini justru bagus — kamu jadi latihan bersihin data beneran, bukan data yang udah dipoles panitia kompetisi.

Platform komunitas mana yang paling berguna?

Kalau kamu butuh dataset yang udah rapi dan langsung bisa di-query, lima ini pilihannya.

6. Kaggle Datasets — puluhan ribu dataset dengan preview dan notebook orang lain. Filter pakai kata kunci "Indonesia" buat nemu data lokal yang jarang dipakai.
7. Hugging Face Datasets — makin banyak dataset teks Bahasa Indonesia di sini. Bagus kalau kamu mau masuk ke analisis sentimen atau NLP.
8. data.world — dataset komunitas yang bisa langsung kamu query pakai SQL di browser. Nggak perlu setup database.
9. Google Dataset Search — mesin pencari khusus dataset. Ketik topik, dia nyariin dari ribuan repositori.
10. Awesome Public Datasets (GitHub) — daftar kurasi yang dikelola komunitas, dikelompokkan per domain.

API publik apa yang bisa ditarik sendiri?

Narik data dari API bikin portfolio kamu naik satu level. Kamu nggak cuma download CSV — kamu bikin pipeline.

11. API cuaca BMKG — data prakiraan cuaca per wilayah, update harian. Gabungin sama data penjualan buat lihat efek hujan ke transaksi.
12. OpenWeatherMap — cuaca historis global, ada free tier.
13. CoinGecko API — harga kripto historis, gratis tanpa API key. Cocok buat latihan time series.
14. World Bank API — indikator ekonomi ratusan negara, gratis dan stabil. Dokumentasi resminya ada di World Bank Data API.
15. Data internal UMKM sekitar kamu — ini yang paling sering dilewatin. Warung, laundry, atau toko online kecil biasanya punya catatan transaksi di spreadsheet. Tawarin analisis gratis, minta datanya (anonim), dan kamu punya dataset yang literally cuma kamu yang punya.

Contoh kasus: dataset toko_berkah

Di Ngulik Data, dataset latihan yang paling sering dipakai murid namanya toko_berkah — data penjualan simulasi toko kelontong online, 24.500 baris transaksi selama 18 bulan.

Struktur tabelnya gini:

-- struktur tabel transaksi toko_berkah
SELECT
    transaksi_id,
    tanggal,
    kota,
    kategori_produk,
    nama_produk,
    qty,
    harga_satuan,
    qty * harga_satuan AS total
FROM transaksi
LIMIT 5;

Query pertama yang biasanya bikin murid kaget: cari kota dengan transaksi terbanyak tapi nilai rata-rata terkecil.

SELECT
    kota,
    COUNT(*) AS jumlah_transaksi,
    ROUND(AVG(qty * harga_satuan)) AS rata_rata_nilai
FROM transaksi
GROUP BY kota
HAVING COUNT(*) > 500
ORDER BY rata_rata_nilai ASC;

Hasilnya dari dataset ngulikdata: Bandung punya 3.180 transaksi dengan rata-rata Rp 42.700 per transaksi, sementara Surabaya cuma 1.940 transaksi tapi rata-ratanya Rp 118.300. Bandung ramai tapi keranjangnya kecil.

Insight kayak gini yang bikin analisis kamu punya isi. Bukan cuma "kota A penjualannya tertinggi" — itu semua orang juga bisa.

Kalau kamu belum familiar sama fungsi agregasi kayak COUNT dan AVG, mulai dari situ dulu sebelum masuk dataset besar.

Gimana cara milih dataset yang layak masuk portfolio?

Pakai empat saringan ini.

Kriteria	Kenapa penting
Ada kolom tanggal	Tanpa tanggal, kamu nggak bisa nunjukin analisis tren — dan tren itu yang paling sering diminta di kerjaan nyata
Minimal 5.000 baris	Grup hasil GROUP BY jadi cukup besar buat ditarik kesimpulan
Konteks bisa dijelasin 1 kalimat	Kalau kamu butuh 3 paragraf buat jelasin datanya apa, recruiter udah pindah tab
Ada kotoran di dalamnya	Dataset yang udah bersih bikin kamu nggak bisa nunjukin skill data cleaning

Poin terakhir sering bikin orang bingung. Dataset kotor itu bonus, bukan masalah. Nama kota ditulis "Jakarta", "JKT", dan "DKI Jakarta" di baris berbeda? Bagus. Itu bahan cerita di portfolio kamu.

Kesalahan umum waktu pilih dataset latihan

Ini yang paling sering aku lihat.

Ambil dataset terlalu besar di awal. Dataset 10 juta baris bikin laptop kamu ngos-ngosan dan iterasi jadi lambat. Mulai dari 10-50 ribu baris. Naikin kalau udah nyaman.

Download 20 dataset, nggak selesaiin satu pun. Satu dataset yang kamu kulik sampai dalam lebih berharga dari 20 dataset yang cuma kamu buka di Excel.

Lupa cek lisensi. Beberapa dataset Kaggle lisensinya CC BY-NC — nggak boleh dipakai buat keperluan komersial. Cek dulu sebelum kamu publikasikan.

Analisis tanpa pertanyaan. Buka CSV, bikin 8 grafik, selesai. Itu bukan analisis, itu deskripsi. Mulai dari pertanyaan: "Produk apa yang paling sering dibeli bareng?" Baru cari jawabannya di data.

FAQ

Dataset apa yang paling bagus buat portfolio data analyst pemula?

Dataset transaksi ritel atau penjualan. Strukturnya punya tanggal, produk, jumlah, dan harga — jadi kamu bisa latihan agregasi, tren waktu, dan segmentasi sekaligus. Recruiter juga langsung paham konteksnya. Hindari dataset yang butuh domain knowledge berat kayak data genomik, kecuali kamu memang mau masuk industri itu.

Berapa jumlah baris minimal buat dataset latihan?

Sekitar 5.000 baris ke atas kalau kamu mau latihan agregasi dan tren yang hasilnya masuk akal. Di bawah 1.000 baris, GROUP BY sering ngasih grup yang isinya cuma 2-3 baris. Tapi kalau tujuannya cuma latihan sintaks JOIN atau window function, dataset 200 baris pun udah cukup.

Boleh nggak pakai dataset Titanic atau Iris buat portfolio?

Buat belajar, boleh. Buat portfolio yang kamu kirim ke recruiter, sebaiknya jangan. Dua dataset itu udah dipakai puluhan ribu orang, jadi hasil analisismu bakal mirip semua orang. Pakai dataset lokal Indonesia atau data yang kamu kumpulin sendiri.

Gimana cara dapat data kalau nggak ada dataset yang cocok?

Bikin sendiri. Kamu bisa scrape data publik, tarik dari API terbuka, atau minta data anonim dari UMKM sekitar. Warung dan toko online kecil biasanya punya catatan transaksi di spreadsheet dan mau berbagi kalau kamu tawarin analisis balik buat mereka.

Apakah dataset gratis boleh dipakai buat konten publik?

Cek lisensinya. Data BPS dan Satu Data Indonesia umumnya boleh dipakai ulang dengan mencantumkan sumber. Dataset Kaggle punya lisensi berbeda-beda — ada yang CC0, ada yang CC BY-NC. Baca bagian lisensi sebelum kamu publikasikan hasilnya.

Langkah berikutnya

Tiga hal yang perlu kamu bawa dari artikel ini:

• Dataset Indonesia bikin portfolio kamu beda, soalnya recruiter lokal langsung paham konteksnya.
• Satu dataset yang kamu kulik sampai dalam mengalahkan 20 dataset yang cuma di-download.
• Data kotor itu bonus — di situ kamu nunjukin skill cleaning.

Pilih satu dataset dari daftar di atas hari ini, terus tulis 3 pertanyaan yang mau kamu jawab dari data itu. Baru buka SQL editor.

Kalau kamu mau latihan query-nya di dataset yang udah disiapin (termasuk toko_berkah), coba panduan belajar SQL dari nol di Ngulik Data. Buat istilah yang masih asing, cek dulu di glossary dataset.