Data Preparation dan Visualization

-

Pengertian Data Preparation

Proses mengambil data mentah dan menyiapkannya untuk diserap oleh platform analitik dikenal sebagai persiapan data. Untuk mencapai tahap akhir persiapan, data harus dibersihkan, diformat, dan diubah menjadi format yang dapat dicerna oleh alat analisis. Salah satu tujuan utama persiapan data adalah memastikan bahwa data mentah yang disiapkan untuk pemrosesan dan analisis adalah akurat dan konsisten.

Tahapan Melakukan Data Preparation

  • Pengumpulan Data
     Data yang sudah di siapkan berupa format csv lalu di implementasikan ke             google colab dengan code dan menghasilkan output pada gambar di bawah :

  • Penemuan Data
        Step selanjutnya penemuan data dengan cara berikut :

  • Pembersihan Data
        Step selanjutnya pembersihan data dengan cara berikut :


     Pada pembersihan data ini saya tidak mendapatkan mising value. Adapun             step yang kalian bisa lakukan selanjutnya yang ada di bawah ini 
     (Opsional / memenuhi data yang kita miliki) :
  • Pemformatan Data
  • Penggabungan dan Analisis Data
  • Validasi dan Publikasi Data

Pengertian Data Visualization

Visualisasi data adalah proses menggunakan elemen visual seperti diagram, grafik, atau peta untuk menampilkan data. Ini mengubah data yang kompleks, bervolume tinggi, atau numerik menjadi representasi visual yang lebih mudah diproses. Alat visualisasi data meningkatkan dan mengotomatiskan proses komunikasi visual untuk mendapatkan akurasi dan detail. Untuk mendapatkan wawasan yang dapat ditindaklanjuti dari data mentah, Anda dapat menggunakan representasi visual.

Grafik Pie dan Diagram Batang

Saya melakukan visualisasi data menggunakan Grafik Pie dan Diagram Batang dengan code dan hasil pada gambar di bawah ini :

  • Grafik Pie

  • Diagram Batang













Komentar

Posting Komentar

Postingan populer dari blog ini

SEMMA (Sample, Emplore, Model & Assess)

-
Gambar
SEMMA (Sample, Explore, Modify, Model, dan Assess) Model proses yang disebut SEMMA (singkatan dari Sample, Explore, Modify, Model, dan Assess) dikembangkan oleh Institut SAS untuk menggambarkan berbagai langkah yang perlu dilakukan untuk melakukan analisis data dan membangun model prediktif. Berikut adalah penjelasan singkat dari setiap langkah dalam model SEMMA: Sample (Sampling): Pertama, sampel dari data yang tersedia dipilih. Ini dapat berupa sampel acak atau sampel yang dipilih berdasarkan kriteria tertentu. Tujuannya adalah untuk memastikan bahwa populasi data diwakili secara akurat dan mengurangi bias. Explore (Exploratory Data Analysis): Pada tahap ini, data yang telah disampling diperiksa lebih lanjut. Ini termasuk melihat data, melakukan analisis statistik deskriptif, dan menemukan pola atau anomali yang menarik. Eksplorasi ini membantu memahami karakteristik data, hubungan antar variabel, dan pola atau anomali yang mungkin bermanfaat untuk pemodelan. Modify (Data Preparat...
Baca selengkapnya

Pre-processing

-
Gambar
Pre Processing Preprocessing adalah teknik paling awal sebelum melakukan data mining dan digunakan untuk menghilangkan masalah yang mungkin terjadi selama pemrosesan data karena format data yang tidak konsisten. Namun, preprocessing juga mencakup beberapa proses seperti membersihkan, mengintegrasikan, mentransformasikan, dan mereduksi data. Data Cleaning Data cleaning atau membersihkan data berarti bahwa data mentah harus dipilih kembali dan kemudian dihapus atau dihilangkan data yang tidak lengkap, tidak relevan, atau tidak akurat. Dengan melakukan tahap ini, Anda dapat menghindari kesalahpahaman saat menganalisis data. Contoh Implementasi data cleaning : 1. Code untuk implementasi Data Cleaning : 2. Output dari code setelah di run : 3. Kesimpulan Kode : Ketika kita menjalankan kode di atas, DataFrame asli dan yang sudah dibersihkan akan ditampilkan. Kode ini akan menangani nilai yang hilang, menghapus duplikat, memperbaiki tipe data, menangani outlier, dan menstandarisasi data. Data ...
Baca selengkapnya

Supervise Learning dan 30 Algoritmanya

-
Supervise Learning Dalam bahasa Indonesia, pembelajaran yang diawasi didefinisikan sebagai pembelajaran yang diawasi oleh pengasuh. Di sini, maksudnya ada label di setiap datanya; label ini adalah tag dari data yang ditambahkan dalam model pembelajaran mesin. Sebagai contoh, setiap gambar kucing memiliki tag "kucing" dan setiap gambar anjing memiliki tag "anjing". Clasificasi (misalnya, "anjing", "kucing", "beruang", dll.) dan regression (misalnya, berat badan, tinggi badan, dll.) adalah dua metode yang dapat digunakan dalam pembelajaran mesin untuk kategorisasi. Pola yang diprediksi sering menggunakan pembelajaran supervisi karena pola tersebut sudah ada contoh data yang lengkap, sehingga pola yang terbentuk adalah hasil pembelajaran data lengkap tersebut. Tidak diragukan lagi, ketika kita memasukkan data baru setelah proses ETL (Extract Transform Load), sample baru akan menerima informasi fitur fitur dari proses tersebut. lalu dari fi...
Baca selengkapnya