01. Tantangan: Data yang Berantakan
Melacak kesehatan operasional sebuah armada logistik membutuhkan analisis harian pada catatan kerusakan kendaraan. Sayangnya, data mentah yang ditarik dari sistem sangat tidak terstruktur. Format tanggalnya tidak konsisten, kolom unit terpecah-pecah, dan yang paling parah, kolom Keluhan berisi input teks bebas di mana mekanik sering menggabungkan beberapa masalah sekaligus ke dalam satu sel menggunakan koma atau simbol ampersand (misalnya, "Ban No. 2, Rem & Suspensi").
Hal ini membuat tim operasional tidak mungkin menganalisis secara pasti komponen kendaraan mana yang paling sering rusak atau berapa lama downtime yang disebabkan oleh masing-masing masalah, tanpa harus melakukan *data entry* manual yang sangat memakan waktu.
02. Pipeline ETL & Text Mining
Untuk mengotomatisasi proses ini, saya merancang sebuah pipeline ETL dengan Python (Pandas) melalui Jupyter Notebook:
- Pembersihan & Standardisasi Data: Menangani kolom yang hilang dengan menggabungkan bidang unit (*unit fields*), menghapus *footer* anomali, dan menstandardisasi format datetime.
- Parsing dengan Regex: Mengimplementasikan pemisahan string cerdas (
re.split) untuk mendeteksi berbagai pemisah (koma,&) serta menstandardisasi singkatan yang tidak rapi (seperti mengubah"No,"menjadi"No."). - Data Exploding: Menggunakan fungsi
.explode()untuk memecah baris yang bersarang (mengandung banyak keluhan). Satu baris yang berisi 3 masalah akan secara otomatis dipecah menjadi 3 baris terpisah, sehingga durasi downtime setiap komponen bisa diagregasi secara akurat.
Data Mentah (Sebelum)
| ID Unit | Tanggal | Keluhan |
|---|---|---|
| TRK-001 | 2025-10-14 | Ban No. 2, Rem & Suspensi |
| TRK-002 | 2025-10-15 | Ganti Oli, Filter Udara |
Data Bersih & Exploded (Sesudah)
| ID Unit | Tanggal | Keluhan Tunggal | Kategori |
|---|---|---|---|
| TRK-001 | 2025-10-14 | Ban No. 2 | Ban |
| TRK-001 | 2025-10-14 | Rem | Rem |
| TRK-001 | 2025-10-14 | Suspensi | Suspensi |
| TRK-002 | 2025-10-15 | Ganti Oli | Engine |
| TRK-002 | 2025-10-15 | Filter Udara | Filter Udara |
03. Hasil Visualisasi di Tableau
Dataset yang sudah bersih dan terpecah per komponen tersebut kemudian dihubungkan ke Tableau Dashboard, memberikan pandangan interaktif yang jernih bagi manajemen terkait tren kerusakan, total durasi downtime, dan wawasan tingkat komponen.
04. Hasil Akhir & Dampak
Pipeline analitik teks otomatis ini berhasil memangkas proses data wrangling manual, mengubah catatan operasional yang berantakan menjadi database terstruktur dalam hitungan detik.
Dengan dashboard Tableau yang interaktif, tim maintenance kini bisa dengan mudah mengisolasi penyebab kerusakan paling sering, mengalokasikan suku cadang dengan lebih efisien, dan menyusun strategi perawatan yang tepat sasaran untuk menekan total downtime seluruh armada.