Pre-Test: Data Collection and Data Cleaning

Apa tujuan utama dari Data Cleaning?

• Menambah data baru.

• Mengubah tipe data.

• Melihat data mentah.

• Memastikan data benar, konsisten, dan berguna, serta memperbaiki/menghapus data rusak.

Mengapa Data Cleaning penting?

• Agar dataset lebih besar.

• Agar model sulit memahami data.

• Untuk menjamin akurasi dan kelengkapan data.

• Untuk hapus semua angka.

Jika ada missing value di data numerik, bagaimana cara mengatasinya?

• Hapus seluruh baris.

• Ubah ke data kategorikal.

• Isi dengan nilai acak.

• Isi dengan mean, median, atau 0.

Apa tujuan dari "Resolve Inconsistencies"?

• Membuat format data baru.

• Mengabaikan beda penulisan.

• Menyeragamkan penulisan data yang sama (misal: "less sugar" vs "Less sugar").

• Mengubah teks jadi angka.

Mengapa data duplikat perlu dihapus?

• Agar model lebih cepat.

• Agar dataset lebih ringkas.

• Karena bisa memberi info salah ke model, merusak kinerja.

• Diperlukan untuk validasi model.

Pustaka Python apa yang khusus untuk analisis data teks berdasarkan polanya?

• NumPy.

• Matplotlib.

• RegEx.

• Scikit-learn.

Pustaka Python apa yang umum digunakan untuk membersihkan data dan memanipulasi dataframe?

• SciPy.

• Keras.

• Pandas.

• TensorFlow.

Apa itu "Nilai yang Hilang" (Missing Value)?

• Data ekstrem yang harus dihapus.

• Data yang sama persis.

• Data sudah dianalisis model.

• Entri data yang nilainya tidak ada atau tidak lengkap.

"Interpretability" dalam Data Cleaning bertujuan untuk apa?

• Mengukur kecepatan akses data.

• Menilai relevansi waktu data.

• Mengecek kepercayaan data.

• Memastikan data bisa dipahami model machine learning.

Bagaimana cara mengisi missing value pada data kategorikal?

• Hapus kolom.

• Isi dengan mean atau median.

• Ubah ke angka 0.

• Isi dengan modus atau nilai 'Other'.