PREPROCESSING DATA

 

Preprocessing data (prapemrosesan data) adalah serangkaian langkah yang dilakukan sebelum analisis data untuk membersihkan, mengubah, dan menyederhanakan data sehingga lebih mudah dipahami dan digunakan dalam analisis. Ini termasuk beberapa tahapan, seperti data cleaning (pembersihan data), data collection (pengumpulan data), data transformation (transformasi data), dan data reduction (pengurangan data). Berikut adalah pengertian dan contoh kode untuk setiap tahap:

1. Data Cleaning (Pembersihan Data): Data cleaning adalah proses mengidentifikasi, memperbaiki, dan menghapus kesalahan atau anomali dalam data mentah.

Google Collab

 Contoh Kode: 


2.  Data Collection (Pengumpulan Data): Pengertian: Data collection adalah proses mengumpulkan data dari berbagai sumber, baik itu sumber internal maupun eksternal.

Google Collab

 Contoh Kode: 

3. Data Transformation (Transformasi Data): Pengertian: Data transformation adalah proses mengubah struktur atau format data untuk memenuhi kebutuhan analisis atau aplikasi tertentu.

Google Collab 

Contoh Kode: 


4. Data Reduction (Pengurangan Data): Pengertian: Data reduction adalah proses mengurangi jumlah data yang tidak perlu atau redundan tanpa mengurangi informasi yang penting.

Google Collab

Contoh Kode: 


Komentar

Posting Komentar

Postingan populer dari blog ini

QUIZ PERTEMUAN 5 DATA MINING

Gambar
Berikut adalah file artikel milik saya  https://drive.google.com/file/d/16_VHc7P3XLvoneoYvIQO9qIohH3z3QYk/view?usp=drive_link LINK GOOGLE COLLAB   https://colab.research.google.com/drive/1USfY9AOJFRjFHKpb_7u0xXhpzpzbvQdx?usp=sharing Bagian 1. Pendahuluan Di era modern ini, tantangan dalam meningkatkan kualitas pendidikan menjadi semakin kompleks. Salah satu indikator keberhasilan pendidikan adalah tingkat kelulusan tepat waktu dan lama masa studi mahasiswa di perguruan tinggi. Oleh karena itu, pemahaman mendalam terhadap faktor-faktor yang memengaruhi lulusan tepat waktu sangat penting. Laporan ini bertujuan untuk melakukan analisis yang mendalam terhadap faktor-faktor yang mempengaruhi lulusan tepat waktu dan lama masa studi di lingkungan akademik. Analisis dilakukan meliputi integrasi dan pembersihan data, serta mengidentifikasi tren atau pola yang mempengaruhi lulusan tepat waktu. Berikut permasalahan-permasalahan yang akan dibahas pada analisis lulusan tepat waktu. 1. ...
Baca selengkapnya

DATA PREPARATION

Gambar
  Persiapan data (data preparation) adalah serangkaian proses yang dilakukan untuk mempersiapkan data mentah menjadi format yang cocok untuk analisis atau penggunaan dalam aplikasi tertentu. Ini adalah langkah penting dalam siklus analisis data, karena kualitas data yang baik akan memengaruhi kualitas hasil analisis atau model yang dihasilkan. Proses persiapan data mencakup beberapa langkah, termasuk: Pengumpulan Data : Mengumpulkan data dari berbagai sumber, seperti file CSV, database, API, atau sensor. Pembersihan Data : Identifikasi dan penanganan nilai yang hilang, duplikat, atau tidak valid dalam dataset. Ini juga termasuk pemrosesan outlier dan normalisasi data. Transformasi Data : Mengubah format atau representasi data untuk memenuhi kebutuhan analisis atau model. Ini bisa mencakup pengkodean variabel kategori, pengurangan dimensi, atau ekstraksi fitur. Penggabungan Data : Menggabungkan atau menggabungkan data dari beberapa sumber menjadi satu dataset. Pemisahan Data : Memis...
Baca selengkapnya

SUPERVISE LEARNING (PREDIKSI) DAN ALGORITMA YANG ADA DI DALAMNYA MINIMAL 30 ALGORITMA PREDIKSI

Gambar
    (supervised learning) untuk prediksi melibatkan pelatihan model dengan data berlabel untuk memprediksi output yang tidak diketahui. Prediksi ini bisa berupa regresi (nilai kontinu) atau klasifikasi (nilai diskret). Berikut adalah 30 algoritma prediksi yang sering digunakan dalam supervised learning, beserta penjelasannya: Algoritma Regresi Linear Regression Deskripsi : Memodelkan hubungan linier antara variabel independen (fitur) dan variabel dependen (target). Kelebihan : Sederhana dan mudah diinterpretasikan. Kekurangan : Tidak efektif untuk hubungan non-linear. Polynomial Regression Deskripsi : Memodelkan hubungan non-linear dengan menambahkan variabel pangkat dari fitur. Kelebihan : Lebih fleksibel daripada regresi linier. Kekurangan : Bisa overfitting jika derajat polinomial terlalu tinggi. Ridge Regression Deskripsi : Linear regression dengan regularisasi L2 untuk mencegah overfitting. Kelebihan : Mengurangi variansi model. Kekurangan : Kurang efektif jika fitur tida...
Baca selengkapnya