Data Preparation & Data Visualization_Data Mining (Pertemuan 2)

A. Data Preparation 

    Data preparation adalah proses pengumpulan, penggabungan, penataan, dan pengorganisasian data sehingga dapat digunakan dalam aplikasi business intelligence (BI), analitik, dan visualisasi data. Proses ini terkadang juga disebut dengan istilah data wrangling. Salah satu fungsi utama data preparation adalah memastikan keakuratan dan konsistensi data mentah yang disiapkan untuk pemrosesan dan analisis.

Contoh dalam Google Colab :

1. Persiapan Data dengan Pandas

    Persiapan data yang akan digunakan dalam analisis adalah langkah pertama dalam analisis data statistik. Dalam kebanyakan kasus, sebagian besar waktu yang dihabiskan untuk proyek pemodelan statistik dihabiskan untuk mengimpor, membersihkan, memvalidasi, dan mengubah kumpulan data.

    Dalam bagian ini, pandas, paket Python pihak ketiga yang sangat penting untuk analisis data, akan diperkenalkan sebagai alat untuk persiapan data. Itu juga akan memberikan beberapa rekomendasi umum tentang apa yang harus atau tidak boleh dilakukan terhadap data sebelum dianalisis.

2. Series

    Series adalah vektor data tunggal (seperti array NumPy) dengan label untuk setiap elemen.

    Jika indeks tidak ditentukan, urutan bilangan bulat default ditetapkan sebagai indeks. Array NumPy terdiri dari nilai Series, sedangkan indeksnya adalah objek Indeks pandas.



    Kita dapat memberikan label yang bermakna pada indeks, jika tersedia. Jumlah ini merupakan taksa bakteri yang membentuk mikrobioma pasien rumah sakit, sehingga penggunaan takson setiap bakteri merupakan indeks yang berguna.
 

    Label ini dapat digunakan untuk merujuk pada nilai dalam Series.


B. 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.

Maka Dalam Google Colab :

 

Komentar

Posting Komentar

Postingan populer dari blog ini

PHYSICAL MODEL

Gambar
    APA ITU PHYSICAL MODEL      Physical Data Model merupakan model yang menggunakan sejumlah tabel untuk menggambarkan data serta hubungan antara data-data tersebut. Setiap tabel mempunyai sejunlah kolom di mana setiap kolom memiliki nama yang unik.      Sebuah physical data model adalah representasi dari design data yang memperhitungkan fasilitas dan kendala sistem database yang diberikan manajemen. Dalam siklus hidup proyek itu biasanya berasal dari model data logis, meskipun mingki reversed engineered dari implementasi data yang diberikan. Sebuah physical data model lengkap akan mencakup semua artefak database yang diperlukan untuk membuat hubungan antara tabel atau mencapai tujuan kinerj, seperti indeks defisini kendala, menghubungkan tabel, tabel dipartisi atau cluster. Physical data model biasanya dapat digunakan untuk menghitung perkiraan penyimpanan dan mungkin termasuk rician alokasi penyimpanan khusus untuk sistem database tertentu.   Jangan lupa kunjungi :  www.ubpkarawa
Baca selengkapnya

Tahapan Data Mining (pertemuan 1)

Gambar
  Tahapan Data Mining A. Cross-Industry Standard Process for Data Mining          A dalah salah satu model proses datamining (datamining framework) yang awalnya (1996) dibangun oleh 5 perusahaan yaitu Integral Solutions Ltd (ISL), Teradata, Daimler AG, NCR Corporation dan  OHRA. Framework ini kemudian dikembangan oleh ratusan organisasi dan perusahaan di Eropa untuk dijadikan methodology standard non-proprietary bagi data mining Tahapan tahapan yang ada di  Cross-Industry Standard Process for Data Mining meliputi : 1. Business Understanding Adalah tahap pertama dalam CRISP-DM dan termasuk bagian yang cukup vital. Pada tahap ini membutuhkan pengetahuan dari objek bisnis, bagaimana membangun atau mendapatkan data, dan bagaimana untuk mencocokan tujuan pemodelan untuk tujuan bisnis sehingga model terbaik dapat dibangun. 2. Data Understanding Secara garis besar untuk memeriksa data, sehingga dapat mengidentifikasi masalah dalam data. Tahap ini memberikan fondasi analitik untuk sebuah penel
Baca selengkapnya