Lanskap Validasi Data di Tahun 2025

• Penjelasan tentang alat validasi data utama pada saat ini (2025) dan rekomendasi berdasarkan situasi
• Validasi data (pemeriksaan keabsahan) adalah proses untuk memeriksa kualitas data secara otomatis atau semi-otomatis
  • Memeriksa tipe data, menghitung jumlah nilai yang hilang, mendeteksi nilai yang tidak normal
• Bukan hanya baris dalam dataframe, nilai input API atau nilai pengiriman formulir juga dapat divalidasi
• Pengguna dapat menetapkan aturan seperti nilai pada kolom tertentu harus berada dalam rentang tertentu
• Jika validasi gagal: dapat memunculkan error, membuat laporan validasi, lalu diproses secara manual atau otomatis

Mengapa validasi data penting

• Pekerjaan analisis di lembaga publik terbagi menjadi dua kategori berikut:
  • Analisis ad hoc – pekerjaan analisis satu kali
  • Pembuatan statistik berkala – pengumpulan dan pemrosesan data baru secara rutin
• Validasi diperlukan sebelum kesalahan data memengaruhi hasil analisis
• Validasi data efektif untuk mengurangi risiko kesalahan dan meningkatkan akurasi

Alat validasi data utama

1. Great Expectations

• Alat validasi data yang kuat pada tingkat production-grade

• Tersedia sebagai paket open source, dan juga menyediakan layanan cloud berbayar

• Menyediakan fitur lanjutan:

  • Otomatisasi seperti mengirim pesan Slack saat validasi gagal

• Konfigurasinya kompleks dan sering memerlukan keterampilan data science

• Contoh kode:

  import great_expectations as gx  
  import pandas as pd  
  
  context = gx.get_context()  
  df = pd.read_csv("https://raw.githubusercontent.com/great-expectations/gx_tutorials/…;)  
  
  data_source = context.data_sources.add_pandas("pandas")  
  data_asset = data_source.add_dataframe_asset(name="pd dataframe asset")  
  batch_definition = data_asset.add_batch_definition_whole_dataframe("batch definition")  
  batch = batch_definition.get_batch(batch_parameters={"dataframe": df})  
  
  # Memvalidasi apakah nilainya berada di antara 1~6  
  expectation = gx.expectations.ExpectColumnValuesToBeBetween(column="passenger_count", min_value=1, max_value=6)  
  validation_result = batch.validate(expectation)  
  

  Contoh pengaturan notifikasi Slack saat validasi gagal:

  from gx.actions import SlackNotificationAction, UpdateDataDocsAction  
  
  action_list = [  
      SlackNotificationAction(  
          name="send_slack_notification_on_failed_expectations",  
          slack_token="${validation_notification_slack_webhook}",  
          slack_channel="${validation_notification_slack_channel}",  
          notify_on="failure",  
          show_failed_expectations=True,  
      ),  
      UpdateDataDocsAction(name="update_all_data_docs"),  
  ]  
  

2. Pointblank

• Alat validasi data Python terbaru yang dirilis pada 2024 (dibuat oleh RStudio → Posit)
• Terinspirasi oleh Great Expectations dan menawarkan sintaks yang intuitif
• Mendukung berbagai sumber data seperti Polars, Pandas, DuckDB
• Contoh kode:

  import pointblank as pb  
  
  validation = (  
      pb.Validate(data=pb.load_dataset(dataset="small_table"))  
      .col_vals_gt(columns="d", value=100)  
      .col_vals_le(columns="c", value=5)  
      .col_exists(columns=["date", "date_time"])  
      .interrogate()  
  )  
  

• Kurang memiliki fitur otomatisasi tindakan lanjutan → tindakan lanjutan harus ditangani secara manual

3. Pandera

• Menyediakan API yang mirip dengan Great Expectations

• Mendukung fitur uji hipotesis statistik

• Mendukung berbagai sumber data seperti Polars, Geopandas, Pyspark

• Contoh kode:

  import pandas as pd  
  import pandera as pa  
  
  df = pd.DataFrame({  
      "column1": [1, 4, 0, 10, 9],  
      "column2": [-1.3, -1.4, -2.9, -10.1, -20.4],  
      "column3": ["value_1", "value_2", "value_3", "value_2", "value_1"],  
  })  
  
  schema = pa.DataFrameSchema({  
      "column1": pa.Column(int, checks=pa.Check.le(10)),  
      "column2": pa.Column(float, checks=pa.Check.lt(-1.2)),  
      "column3": pa.Column(str, checks=[  
          pa.Check.str_startswith("value_"),  
          pa.Check(lambda s: s.str.split("_", expand=True).shape[1] == 2)  
      ]),  
  })  
  
  validated_df = schema(df)  
  

• Contoh uji hipotesis statistik:

  from scipy import stats  
  
  schema = pa.DataFrameSchema({  
      "height_in_feet": pa.Column(float, [  
          pa.Hypothesis.two_sample_ttest(  
              sample1="M",  
              sample2="F",  
              groupby="sex",  
              relationship="greater_than",  
              alpha=0.05,  
              equal_var=True  
          )  
      ]),  
      "sex": pa.Column(str)  
  })  
  
  schema.validate(df)  
  

4. Pydantic

• Alat validasi berbasis dictionary, bukan dataframe
• Cocok untuk validasi JSON dan data tidak terstruktur
• Dapat diintegrasikan dengan framework API seperti FastAPI
• Contoh kode:

  from pydantic import BaseModel, PositiveInt  
  from datetime import datetime  
  
  class User(BaseModel):  
      id: int  
      name: str = 'John Doe'  
      signup_ts: datetime | None  
      tastes: dict[str, PositiveInt]  
  
  external_data = {  
      'id': 123,  
      'signup_ts': '2019-06-01 12:22',  
      'tastes': {'wine': 9, 'cheese': 7, 'cabbage': '1'}  
  }  
  
  user = User(**external_data)  
  

5. Cerberus

• Alat validasi berbasis dictionary
• Konfigurasi sederhana berbasis aturan
• Mengembalikan nilai True/False → tidak melempar error
• Contoh kode:

  from cerberus import Validator  
  
  schema = {'name': {'type': 'string'}}  
  v = Validator(schema)  
  document = {'name': 'john doe'}  
  v.validate(document)  
  # True  
  

6. jsonschema

• Alat validasi data JSON
• Definisi berbasis skema
• Contoh kode:

  from jsonschema import validate  
  
  schema = {  
      "type": "object",  
      "properties": {  
          "price": {"type": "number"},  
          "name": {"type": "string"}  
      }  
  }  
  
  validate(instance={"name": "Eggs", "price": 34.99}, schema=schema)  
  

Alat mana yang sebaiknya digunakan di sektor publik

• Validasi dataframe atau database:
  • Digunakan dalam sistem produksi → Great Expectations direkomendasikan
  • Validasi sederhana → Pandera direkomendasikan
  • Ingin mencoba alat terbaru → Pointblank direkomendasikan
• Validasi API atau input pengguna:
  • Data tidak terstruktur → Pydantic direkomendasikan
• Validasi JSON sederhana:
  • jsonschema direkomendasikan
• Jika membutuhkan validasi sederhana:
  • Cerberus direkomendasikan