Glosarium

Sejak chapter pertama sampai halaman ini, kita telah melewati ratusan istilah — sebagian dari bahasa Indonesia, sebagian besar warisan kosakata Inggris ekosistem data. Istilah yang jarang dipakai mudah menguap dari ingatan, dan halaman yang tepat untuk menyegarkannya kadang sulit dicari ketika dibutuhkan. Glosarium ini mengumpulkan istilah-istilah terpenting Course ini dalam satu tabel A sampai Z: arti singkat sebagai pengingat, plus tautan menuju chapter tempat istilah tersebut dibahas tuntas.

Cara Memakai Glosarium Ini #

Perlakukan halaman ini sebagai kamus cepat, bukan bahan bacaan urut. Ketika menemukan istilah asing di notebook, dokumentasi, atau rapat kerja, cari arti singkatnya di sini, lalu ikuti tautan pada kolom terakhir bila penjelasan dua kalimat belum cukup. Arti yang ditulis di sini sengaja dibuat pendek dan operasional — versi mengajar lengkapnya ada di chapter yang dirujuk.

Daftar ini juga bisa dipakai untuk menguji diri: tutup kolom arti dengan tangan, lalu jelaskan tiap istilah dengan kata sendiri. Istilah yang tidak bisa kita jelaskan dalam dua kalimat menandai bagian Course ini yang layak dibaca ulang.

Daftar Istilah A sampai Z #

Istilah	Arti singkat	Dibahas tuntas di
Analisis deret waktu	Analisis data yang urutan waktunya penting, seperti penjualan harian dan harga mingguan	Pengenalan Deret Waktu
Baseline model	Model pembanding paling sederhana; model yang lebih rumit wajib mengunggulinya	Baseline Model
Bias	Kecenderungan sistematis hasil melenceng dari kenyataan, sering berasal dari proses pengumpulan data	Bias dan Keadilan
Confusion matrix	Tabel silang prediksi lawan kenyataan; bahan dasar perhitungan metrik klasifikasi	Confusion Matrix
Cross-validation	Melatih dan menguji berulang dengan pembagian berbeda agar skor tidak bergantung satu pembagian	Cross-Validation
Data cleaning	Memeriksa dan membetulkan data: tipe keliru, duplikat, format tidak konsisten	Memeriksa Data
Data frame	Tabel berlabel baris dan kolom di pandas; wadah kerja utama analisis data	Dasar Pandas
Data leakage	Bocornya informasi data uji ke proses pelatihan sehingga skor tampak terlalu bagus	Mencegah Data Leakage
Dataset	Kumpulan data siap analisis; pada supervised learning terbagi menjadi fitur dan label	Dataset dan Label
Deep learning	Model jaringan saraf berlapis dengan banyak parameter; menuntut data dan komputasi besar	Pengantar Deep Learning
Distribusi probabilitas	Pola sebaran peluang suatu nilai, misalnya distribusi normal untuk banyak ukuran alami	Distribusi Probabilitas
EDA (Exploratory Data Analysis)	Penjelajahan awal data tanpa dugaan tetap untuk mengenali struktur dan anomali	Exploratory Data Analysis (EDA)
Ensemble learning	Menggabungkan banyak model menjadi satu prediksi, misalnya random forest	Ensemble Learning
Feature	Kolom masukan yang dipakai model untuk memprediksi target	Fitur dan Target
Feature engineering	Membentuk fitur baru dari data mentah agar model lebih mudah belajar	Pengenalan Feature
Forecasting	Meramal nilai deret waktu pada masa depan beserta ketidakpastiannya	Evaluasi Forecasting
Hyperparameter	Setelan model yang ditetapkan sebelum pelatihan, misalnya kedalaman pohon	Hyperparameter Tuning
Imbalanced data	Distribusi label yang timpang sehingga akurasi saja menjadi penilaian yang menyesatkan	Imbalanced Learning
K-Means	Algoritme clustering yang membagi data ke dalam k kelompok terdekat pusatnya	K-Means Clustering
Kausalitas	Hubungan sebab-akibat; korelasi yang kuat belum membuktikan sebab-akibat	Membedakan Korelasi dan Kausalitas
Korelasi	Ukuran kekuatan dan arah hubungan linier dua variabel numerik	Korelasi dan Kovarians
Machine learning	Membangun model yang mempelajari pola dari data alih-alih diprogram dengan aturan eksplisit	Pengenalan Machine Learning
Missing values	Nilai kosong pada data yang perlu diisi, dihapus, atau ditandai dengan alasan	Menangani Missing Values
Normalisasi	Menskalakan fitur ke rentang seragam, misalnya 0 sampai 1, agar setara bobotnya	Normalisasi
Outlier	Nilai yang jauh dari kawan sekelompoknya; bisa galat pencatatan bisa pula temuan penting	Menangani Outlier
Overfitting	Model menghafal detail data latih hingga gagal pada data baru	Overfitting dan Underfitting
p-value	Peluang memperoleh data seekstrem ini bila dugaan nol benar; bukan peluang dugaan nol benar	p-value
Precision dan recall	Ketepatan prediksi positif lawan banyaknya kasus positif yang tertangkap	Precision, Recall, dan F1-Score
Regresi	Memodelkan hubungan fitur dengan target bernilai kontinu, misalnya harga	Model Regresi Linear
Supervised learning	Belajar dari data berlabel untuk memprediksi: klasifikasi dan regresi	Supervised dan Unsupervised Learning
Underfitting	Model terlalu sederhana sehingga pola data latih pun tidak tertangkap	Overfitting dan Underfitting
Visualisasi data	Menyajikan data sebagai grafik agar pola dan anomali terlihat cepat	Prinsip Visualisasi Data

Menjaga Daftar Tetap Rapi #

Glosarium hanya berguna bila urutannya bisa diandalkan — mencari istilah pada daftar yang tidak berurutan melelahkan. Kode kecil berikut memeriksa bahwa daftar istilah di atas benar-benar terurut abjad, pola pemeriksaan yang bisa kita ulang sendiri setiap kali daftar ini diperbarui.

python
istilah = [
    "analisis deret waktu", "baseline model", "bias", "confusion matrix",
    "cross-validation", "data cleaning", "data frame", "data leakage",
    "dataset", "deep learning", "distribusi probabilitas",
    "EDA (Exploratory Data Analysis)", "ensemble learning", "feature",
    "feature engineering", "forecasting", "hyperparameter",
    "imbalanced data", "K-Means", "kausalitas", "korelasi",
    "machine learning", "missing values", "normalisasi", "outlier",
    "overfitting", "p-value", "precision dan recall", "regresi",
    "supervised learning", "underfitting", "visualisasi data",
]

print("Jumlah istilah    :", len(istilah))
print("Terurut abjad A-Z :", istilah == sorted(istilah, key=str.lower))
print("Istilah pertama   :", istilah[0])
print("Istilah terakhir  :", istilah[-1])

Output yang Dihasilkan:

text
Jumlah istilah    : 32
Terurut abjad A-Z : True
Istilah pertama   : analisis deret waktu
Istilah terakhir  : visualisasi data

Mari kita telaah baris-baris kode di atas:

Baris 2-8 (istilah = [...]): daftar istilah ditulis sebagai list — salinan kolom pertama tabel di atas dengan huruf kecil, kecuali singkatan seperti EDA dan K-Means yang tetap — dari analisis deret waktu sampai visualisasi data.
Baris 12 (istilah == sorted(...)): fungsi sorted() menghasilkan salinan terurut, dan parameter key=str.lower menyurutkan menurut bentuk huruf kecilnya sehingga K-Means diperlakukan setara k-means. Perbandingan == menghasilkan True bila daftar aslinya sudah terurut.
Baris 13-15: tiga keluaran tambahan — jumlah istilah, istilah pertama, dan istilah terakhir — memudahkan memeriksa sekilas bahwa daftar yang diperiksa memang daftar yang benar.

Rangkuman #

Glosarium ini adalah kamus cepat 32 istilah terpenting Course ini, terurut A sampai Z, dengan tautan menuju chapter pembahasan lengkapnya.
Pakai halaman ini untuk menyegarkan ingatan atau menguji pemahaman: jelaskan tiap istilah dengan kata sendiri sebelum membuka kolom arti.
Urutan abjad daftar bisa diperiksa ulang secara otomatis dengan sorted() — pola kecil yang menjaga daftar tetap rapi saat diperbarui.

Dengan glosarium ini, kita resmi menutup materi Course Data Science dari ujung ke ujung. Kita mulai dari pengenalan memahami apa itu data science dan posisinya di industri; melintasi matematika dasar dan persiapan lingkungan ; membekali diri dengan Python untuk data ; memahami hakikat data dan cara mengumpulkan serta membersihkannya ; lalu berlatih mengeksplorasi , memvisualisasikan , dan menyimpulkannya lewat statistika serta teknik analisis . Dari sana kita menaiki tangga feature engineering , machine learning beserta supervised dan unsupervised learning , belajar menilai model secara jujur lewat evaluasi dan deret waktu , membuka teknik lanjutan , lalu merapikan cara kerja lewat workflow , komunikasi , deployment , dan etika .

Seluruh bekal itu menemukan gunanya di satu tempat: mengerjakannya sendiri. Lanjutkan ke Section Proyek untuk menerapkan seluruh perjalanan ini pada lima proyek utuh — dari analisis penjualan sampai analisis mandiri di dataset terbuka — dan jadikan glosarium ini teman setia setiap kali sebuah istilah mulai buram. Selamat mengerjakan, dan sampai jumpa di proyek berikutnya.