SULIH NURSYA BANAFSA

       Data preparation adalah langkah awal seorang data scientist untuk mulai mengolah data dengan alat analitik dan laporan. Proses ini melibatkan mengambil data mentah dan mempersiapkannya agar dapat diserap dalam platform analitik. Beberapa istilah yang sering digunakan dalam data preparation antara lain: Data Cleansing : Proses menghapus atau memodifikasi data yang dianggap tidak lengkap, duplikat, tidak akurat, salah format, atau rusak dalam kumpulan data. Data cleansing penting untuk memastikan konsistensi dan keakuratan data mentah yang digunakan untuk pemrosesan dan analisis. Data Outlier : Data yang nilainya secara signifikan berbeda dari data lainnya. Outlier dapat berdampak negatif pada akurasi dan performa algoritma dan model statistik machine learning. Generalisasi Data : Proses menyamakan beberapa ciri/karakteristik yang dimiliki oleh dua kelas yang berbeda sehingga kelas tersebut berada dalam satu kelas yang lebih tinggi. Contohnya adalah mengelom...

  CCC (Computational, Cognitive, and Communication) merujuk pada tiga aspek utama dalam konteks tertentu, seperti komputasi, kognisi, dan komunikasi. Setiap unsur CCC memiliki arti dan relevansi tersendiri:   1.       Computational (Komputasional) Merujuk pada pemrosesan data dan informasi menggunakan algoritma dan perangkat keras komputer. Melibatkan analisis, manipulasi, dan transformasi data untuk mendukung pengambilan keputusan atau pemecahan masalah. 2.       Cognitive (Kognitif) Terkait dengan aspek-aspek mental dan intelektual manusia, termasuk pemahaman, persepsi, memori, dan pemecahan masalah. Dalam konteks ini, fokusnya mungkin pada pengembangan sistem yang dapat meniru atau mendukung fungsi kognitif manusia, seperti kecerdasan buatan dan pemrosesan bahasa alami. 3.       Communication (Komunikasi) Menyoroti pertukaran informasi antara entitas atau individu. Berkaitan dengan pen...

  Gambar SEMA SEMMA  adalah singkatan dari Sample, Explore, Modify, Model, dan Assess. Ini adalah model proses analisis data yang dikembangkan oleh SAS Institute dan diimplementasikan dalam produk perangkat lunak SAS Enterprise Miner. fase-fase SEMMA: Sample: Fase ini melibatkan pengambilan sampel data, di mana Anda memilih kumpulan data untuk pemodelan. Kumpulan data harus cukup besar untuk mengandung informasi yang memadai tetapi cukup kecil untuk digunakan secara efisien. Pembagian data juga merupakan bagian dari fase ini. Explore: Pada fase ini, Anda memahami data dengan menemukan hubungan yang diantisipasi dan tidak diantisipasi antara variabel. Visualisasi data memainkan peran penting di sini. Modify: Fase Modify berfokus pada pemilihan, pembuatan, dan transformasi variabel dalam persiapan untuk pemodelan data. Model: Pada fase Model, berbagai teknik pemodelan (data mining) diterapkan pada variabe...

  Gambar CRISP-DM (sumber gambar   Almir Gouvea )           CRISP-DM (Cross-Industry Standard Process for Data Mining) adalah model proses terbuka yang digunakan oleh para ahli data mining. Model ini menggambarkan pendekatan umum yang sering digunakan dalam proyek data mining dan analisis. Berikut adalah enam fase dalam model CRISP-DM: Business Understanding: Memahami tujuan bisnis dan kebutuhan proyek. Menentukan kriteria kesuksesan dari perspektif bisnis. Membuat rencana proyek secara keseluruhan. Data Understanding: Mengumpulkan data awal. Menganalisis data dan menggali informasi tentang format, jumlah rekaman, dan hubungan antar variabel. Memeriksa kualitas data. Data Preparation: Persiapan data, termasuk pembersihan, transformasi, dan pemilihan fitur. Membuat dataset yang siap untuk pemodelan. Modeling: Memilih teknik pemodelan yang sesuai. ...

gambar data mining (Sumber gambar  Simplilearn)           Data mining adalah proses pengumpulan dan pengolahan data yang bertujuan untuk mengekstrak informasi penting dari suatu  kumpulan data yang besar. Proses ini dapat melibatkan perangkat lunak dengan bantuan perhitungan statistika, matematika, dan  teknologi Artificial Intelligence (AI).              Proses data mining meliput enam tahap utama yang perlu diikuti : Menetapkan dengan jelas tujuan dari kegiatan data mining untuk memastikan kesesuaian dengan kebutuhan bisnis atau penelitian yang diinginkan Melibatkan pengumpulan data yang relevan dan diperlukan sesuai dengan tujuan yang telah ditetapkan sebelumnya. Melibatkan proses pembersihan dan penataan data untuk menghindari duplikasi, kehilangan data, atau data berkualitas buruk. Data dirapikan dan disusun dalam format yang dibutuhk...

  Berikut merupakan penyelesaian Entitas Relasi Diagram 1. Prodi diketuai oleh dosen      2. Dosen ploting program studi      3. Mahasiswa dibimbing dosen                                                    4. Dosen memiliki prodi 5. Dosen mengampu matakuliah 6. Prodi memiliki kelas 7. Mahasiswa memilih matakuliah 8. Mahasiswa ploting Kelas 9. Fakultas Memiliki Prodi 10. Mahasiswa dibimbing dosen

       Entity Relationship Diagram , juga dikenal sebagai ERD, ER Diagram atau er model, adalah jenis diagram struktural untuk digunakan dalam desain database. ERD berisi simbol dan konektor berbeda yang memvisualisasikan dua informasi penting: Entitas utama dalam lingkup sistem, dan hubungan antar di antara entitas-entitas ini.      Sebagian besar ERD telah berevolusi dari desain database fisik. Jangan khawatir tentang kompleksitasnya, Anda dapat dengan mudah mempelajari bidang ini dengan memeriksa tiga elemen ERD dasar berikut: Entitas      Entitas biasanya dibagi menjadi lima kategori: konsep, lokasi, peran, acara, dan hal-hal (orang, tempat, acara, penjualan, pelanggan, departemen perusahaan, siswa, atau produk, dll.). Entitas ditampilkan dalam tabel database dalam sistem data, dan setiap baris tabel mewakili instans entitas. Misalnya, entitas Nama dalam tabel di bawah ini bisa berupa Jack, Alice, dan sebagainya. Atribut   ...