Quiz Data Preprocessing dan Pembersihan Data pada Python

Apa yang dimaksud dengan Data Preprocessing?

• Proses transformasi data mentah menjadi format yang siap untuk analisis.

• Proses penyimpanan data dalam database.

• Proses pengumpulan data dari berbagai sumber.

• Proses analisis data tanpa pembersihan.

Mengapa data preprocessing penting?

• Untuk mengurangi biaya penyimpanan data.

• Untuk meningkatkan ukuran data.

• Untuk menghasilkan model yang lebih akurat.

• Untuk mempercepat proses pengumpulan data.

Mengapa Python dipilih untuk data preprocessing?

• Karena tidak memerlukan pustaka tambahan.

• Karena lebih mudah dipelajari daripada bahasa lain.

• Karena memiliki pustaka yang kaya seperti Pandas dan NumPy.

• Karena lebih cepat dari bahasa pemrograman lain.

Apa yang dimaksud dengan outlier?

• Data yang tidak relevan dengan analisis.

• Data yang memiliki nilai rata-rata yang tinggi.

• Data yang hilang dalam dataset.

• Data yang sangat jauh dari nilai rata-rata.

Apa yang dilakukan untuk menangani missing values?

• Mengganti semua nilai dengan nol.

• Menambahkan lebih banyak data.

• Menghapus baris/kolom dengan missing values.

• Mengabaikan data yang hilang.

Apa tujuan dari normalisasi data?

• Mengubah tipe data menjadi numerik.

• Menambah jumlah data.

• Menghapus data yang tidak relevan.

• Membuat semua fitur memiliki skala yang sama.

Apa yang dimaksud dengan overfitting?

• Model terlalu kompleks dan menyesuaikan diri dengan data training.

• Model tidak memiliki asumsi tertentu.

• Model menghasilkan prediksi yang sangat akurat.

• Model tidak dapat belajar dari data.

Apa yang dilakukan dalam tahap pembersihan data?

• Menghapus data duplikat.

• Menambah data baru.

• Mengubah format data.

• Membaca data dari file.

Apa yang dimaksud dengan tokenisasi dalam analisis teks?

• Menghitung frekuensi kata.

• Menghapus kata-kata yang tidak bermakna.

• Membagi teks menjadi kata-kata individu.

• Mengubah kata menjadi bentuk dasarnya.

Apa yang dilakukan untuk menangani outliers?

• Mengganti outliers dengan nilai rata-rata.

• Menghapus semua data.

• Mengabaikan outliers.

• Mendeteksi outliers menggunakan box plot atau IQR.