Kumpulan data adalah kumpulan titik data terkait yang diorganisir untuk analisis. Ini bisa berupa satu tabel, sekumpulan file, atau ekstrak basis data. Kumpulan data memiliki tujuan. Kumpulan data Iris berisi pengukuran kelopak dan sepal bunga, yang digunakan untuk mengajarkan klasifikasi. Kumpulan data MNIST berisi angka tulisan tangan, yang digunakan untuk mengukur kinerja pengenalan gambar. Kumpulan data penjualan suatu perusahaan berisi transaksi, yang digunakan untuk memperkirakan pendapatan. Kumpulan data mendefinisikan batasan analisis.

Kumpulan data sangat bervariasi dalam ukuran, kualitas, dan struktur. Beberapa cukup kecil untuk dibuka di spreadsheet. Yang lain mencakup petabyte di penyimpanan terdistribusi. Beberapa dikurasi dengan cermat dengan asal-usul yang terdokumentasi. Yang lain diambil dari web dengan keandalan yang tidak diketahui. Kualitas kumpulan data menentukan kualitas analisis yang dibangun di atasnya. Kumpulan data dengan nilai yang hilang, pengambilan sampel yang bias, atau pelabelan yang tidak konsisten menghasilkan hasil yang tidak dapat diandalkan. Sebelum menggunakan kumpulan data, periksalah. Apa sumbernya? Bagaimana cara pengumpulannya? Berapa periode waktunya? Apa yang hilang? Apa saja keterbatasan yang diketahui? Pertanyaan-pertanyaan ini bukan pilihan. Pertanyaan-pertanyaan ini menentukan apa yang dapat didukung oleh data tersebut. Kumpulan data yang cocok untuk satu analisis mungkin tidak cocok untuk analisis lain. Data tidak mengetahui keterbatasannya sendiri. Analislah yang harus mengetahuinya.

Karakteristik dataset

• Ukuran — jumlah rekaman dan fitur
• Struktur — tabular, hierarkis, atau tidak terstruktur
• Kualitas — akurasi, kelengkapan, konsistensi
• Asal-usul — dari mana asalnya dan bagaimana
• Lisensi — ketentuan penggunaan dan pendistribusian ulang

Kumpulan data adalah potret dunia. Potret tersebut memiliki kerangka. Memahami kerangka tersebut merupakan bagian dari memahami data.