Kuis 3 Data Mining - Praproses Data

Berikut ini merupakan tujuan dari proses aggregation, kecuali

• Mengurangi jumlah atribut atau obyek

• Mendapatkan hasil pengolahan data secara langsung

• Perubahan skala

• Penstabilan data yang akan diolah dalam data mining

Answer explanation

Tujuan proses aggregation adalah untuk menyederhanakan data, bukan untuk mendapatkan hasil pengolahan data secara langsung. Pilihan ini tidak sesuai dengan tujuan aggregation.

Proses pengurangan dimensi (dimensionality reduction) sangat diperlukan jika kita akan menerapkan teknik data mining

• Clustering

• Klasifikasi

• Asosiasi

• regresi

Answer explanation

Proses pengurangan dimensi sangat penting dalam clustering karena membantu mengurangi kompleksitas data dan meningkatkan efisiensi algoritma. Dengan mengurangi dimensi, pola dalam data lebih mudah diidentifikasi, sehingga clustering menjadi lebih efektif.

Proses pendiskritan (discretization) yang merupakan proses merubah data tipe kontinyu menjadi tipe katagorikal diperlukan jika kita akan menerapkan teknik data mining

• clustering

• klasifikasi

• analisa asosiasi

• regresi

Answer explanation

Proses pendiskritan diperlukan dalam klasifikasi untuk mengubah data kontinyu menjadi kategori yang dapat digunakan untuk mengelompokkan data. Teknik lain seperti regresi dan clustering tidak memerlukan data dalam bentuk kategorikal.

Berikut merupakan manfaat yang tepat dari data preparation?

• Kompilasi Data menjadi Efisien dan Efektif (menghindari duplikasi)

• Menurunkan nilai Bisnis dan ROI (Return on Investment)

• Memudahkan dalam Perubahan data Secara Khusus/lokal

• Menghasilkan Informasi yang ringkas untuk Pengambilan Keputusan

Answer explanation

Kompilasi data yang efisien dan efektif menghindari duplikasi, sehingga mempermudah analisis dan pengambilan keputusan. Pilihan lain tidak mencerminkan manfaat yang tepat dari data preparation.

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?

• Cluster Sampling

• Systematic Sampling

• Simple Random Sampling

• Stratified Sampling

Answer explanation

Cluster Sampling adalah teknik yang tepat karena peneliti membagi populasi Kalimantan ke dalam kelompok berdasarkan kota, lalu memilih individu dari kelompok tersebut yang menggunakan sinyal telekomunikasi.

Berikut ini adalah cara untuk mengurangi dimensi data, kecuali

• Aggregation

• Dimensionality reduction

• Feature Selection

• Discretization

Answer explanation

Discretization is a process of converting continuous data into discrete categories, which does not inherently reduce dimensionality. In contrast, aggregation, dimensionality reduction, and feature selection are methods specifically aimed at reducing data dimensions.

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, S, S, B, S, B, K, S, S, S, B, S}

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

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

Answer explanation

Dengan pendekatan equal frequency, data dibagi menjadi tiga kategori. Setiap kategori harus memiliki jumlah elemen yang sama. Setelah proses diskretisasi, hasilnya adalah {K, K, K, B, S, B, K, S, B, S, B, S}, yang merupakan pilihan yang benar.

Nilai dari missing value (?) pada variabel X jika didekati dengan teknik imputasi mean/median akan bernilai

• 2

• 3

• 4

• 5

Manakah dari algoritma berikut yang bukan untuk mengurangi dimensi data?

• Singular Value Decomposition

• Principle Component Analysis

• Manifold learning

• Outlier detection

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

• Creation Enginering

• Feature transformation

• Feature engineering

• Creation transformation