Section Persiapan Data berisi materi 8 chapter. Kuasai tahap paling menentukan kualitas model: memuat data, eksplorasi, penanganan missing values, outlier, scaling, encoding, dan pencegahan data leakage.

# Memuat dan Menyimpan Data

Baca dan tulis data dalam format CSV, TSV, dan JSON dengan pandas secara andal.

Buka → # Eksplorasi Data Awal (EDA)

Gunakan inspect, describe, dan value_counts untuk memetakan struktur data sebelum memodelkan.

Buka → # Menangani Missing Values

Deteksi dan tangani data hilang dengan SimpleImputer, indikator kehilangan, dan penghapusan baris.

Buka → # Menangani Outlier

Deteksi pencilan dengan IQR dan z-score lalu putuskan strategi penanganannya secara sadar.

Buka → # Skala Fitur dengan Scaling dan Normalisasi

Terapkan StandardScaler, MinMaxScaler, dan RobustScaler pada skenario yang berbeda-beda.

Buka → # Encoding Variabel Kategorikal

Ubah kolom kategorikal menjadi angka dengan OrdinalEncoder dan OneHotEncoder.

Buka → # Menangani Ketidakseimbangan Kelas

Gunakan class_weight dan SMOTE dari imbalanced-learn saat kelas minoritas hanya sedikit.

Buka → # Data Leakage dan Cara Mencegahnya

Kenali kebocoran informasi dari data uji ke proses latih dan cara membangun pipeline yang aman.

Buka →