Kuis 3 - Data Pre Procession

Berikut ini merupakan tujuan dari proses aggregation, kecuali

• Mendapatkan hasil pengolahan data

  secara langsung

• Perubahan skala

• Mengurangi jumlah atribut atau obyek

• Penstabilan data yang akan diolah dalam

  data mining

Proses pengurangan dimensi (dimensionality reduction) sangat diperlukan jika kita akan

menerapkan teknik data mining

• Regresi

• Clustering

• Asosiasi

• Klasifikasi

Proses pendiskritan (discretization) yang merupakan proses merubah data tipe kontinyu

menjadi tipe katagorikal diperlukan jika kita akan menerapkan teknik data mining

• Regresi

• Analisis Asosiasi

• Clustering

• Klasifikasi

Berikut merupakan manfaat yang tepat dari data preparation?

• Menurunkan nilai Bisnis dan ROI (Return

  on Investment)

• Kompilasi Data menjadi Efisien dan

  Efektif (menghindari duplikasi)

• Memudahkan dalam Perubahan data

  Secara Khusus/lokal

• Menghasilkan Informasi yang ringkas

  untuk Pengambilan Keputusan

Suatu lembaga ingin melakukan survei mengenai performa sinyal telekomunikasi di

seluruh wilayah Kalimantan, kemudian para peneliti dapat membagi-bagi populasi

keseluruhan wilayah Kalimantan ke dalam pengelompokan berdasarkan kota-kota

dengan menyeleksi kota-kota dengan populasi terbanyak, lalu menyaringnya lagi dan

memilih individu-individu yang menggunakan sinyal telekomunikasi saja. Maka cara atau

teknik yang tepat dengan contoh kasus diatas yaitu?

• Simple Random Sampling

• Stratified Sampling

• Systematic Sampling

• Cluster Sampling

Berikut ini adalah cara untuk mengurangi dimensi data, kecuali

• Feature Selection

• Dimensionality Reduction

• Aggregation

• Discretization

Diketahui nilai atribut penghasilan dari data pelanggan dalam juta rupiah sebagai berikut

{2, 3, 3, 10, 4, 15, 2, 4, 6 ,5, 15, 4}. Jika dilakukan proses diskretisasi terhadap atribut

tersebut dengan membagi menjadi tiga katagori yaitu {Kecil (K), Sedang (S), Besar(B)}

menggunakan pendekatan equal frequency, maka nilai dari atribut penghasilan menjadi

• {K, K, K, B, S, B, K, S, S, S, B, S}

• {K, K, K, B, S, B, K, S, B, S, B, S}

• {K, K, K, B, K, B, K, K, S, S, B, K}

• {K, S, S, B, S, B, K, S, S, S, B, S}

Terdapat missing value pada baris X = [5, 2, ?, 2]. Nilai dari missing value (?) pada variabel X jika didekati dengan teknik imputasi mean/median akan bernilai

• 3

• 5

• 2

• 4

Manakah dari algoritma berikut yang bukan untuk mengurangi dimensi data?

• Manifold learning

• Principle Component Analysis

• Outlier detection

• Singular Value Decomposition

Proses transformasi data menjadi fitur-fitur yang lebih representatif dalam membantu menyelesaikan masalah dengan lebih baik disebut

• Creation Enginering

• Creation transformation

• Feature Transformaton

• Feature Engineering