Studi pra-pemrosesan data observasi cuaca per jam berbasis Normalisasi dan Standardisasi Data

Info proyek

• Bidang studiMeteorologi dan Iklim
• JenjangSkripsi (S1)
• Jenis metodeKualitas Data
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatscikit-learn MinMaxScaler, StandardScaler, RobustScaler
• HargaRp 300.000 - Rp 2.000.000

Tujuan analisis

Memeriksa dan memperbaiki mutu data suhu udara bersama kelembapan udara dan tekanan udara dengan Normalisasi dan Standardisasi Data, lalu menilai dampaknya pada analisis.

Variabel

Contoh hasil

• 0.621kNN accuracy (raw)
• 0.672kNN accuracy (z-score)
• 0.693kNN accuracy (min-max)
• 1123.738SD ratio (raw)
• 0Mean after z-score
• 1SD after z-score

Skala variabel berbeda hingga 1123.7 kali; setelah standardisasi, akurasi kNN naik dari 0.621 menjadi 0.672 (min-max 0.693).

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Normalisasi dan Standardisasi Data

Normalisasi (min-max) dan standardisasi (z-score) menyamakan skala variabel agar tidak ada yang mendominasi karena satuannya. Wajib dilakukan sebelum metode berbasis jarak atau penalti seperti k-NN, SVM, K-Means, dan regresi regularisasi.

Langkah pengerjaan

1. 1Periksa rentang dan satuan tiap variabel
2. 2Bagi data latih dan uji terlebih dahulu
3. 3Fit scaler (MinMaxScaler, StandardScaler, RobustScaler) pada data latih
4. 4Terapkan scaler yang sama ke data uji
5. 5Periksa ulang rerata, simpangan baku, atau rentang hasil
6. 6Bandingkan sebaran sebelum dan sesudah

Asumsi yang perlu diperiksa

• Scaler dipelajari dari data latih saja agar tidak terjadi kebocoran
• RobustScaler lebih tepat bila ada outlier
• Skala berubah, bentuk sebaran tidak berubah

Membaca dan melaporkan hasil

Jelaskan metode skala yang dipilih dan alasannya, lalu tampilkan statistik sebelum dan sesudah. Cantumkan bahwa parameter skala disimpan agar prediksi baru diperlakukan sama.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler, StandardScaler, RobustScaler
from sklearn.model_selection import train_test_split

rng = np.random.default_rng(38)
n = 300
air_humidity = rng.normal(1000, 200, n)       # large-scale variable
air_pressure = rng.exponential(2.0, n)        # small-scale, skewed variable
air_pressure[:3] += 30                        # outliers
air_temperature = np.column_stack([air_humidity, air_pressure])

X_tr, X_te = train_test_split(air_temperature, test_size=0.3, random_state=38)
scalers = {"MinMax": MinMaxScaler(), "Standard": StandardScaler(), "Robust": RobustScaler()}

print("Raw train mean:", X_tr.mean(axis=0).round(2), "std:", X_tr.std(axis=0).round(2))
fig, ax = plt.subplots(1, 4, figsize=(14, 3.5))
ax[0].boxplot(X_tr); ax[0].set_xticklabels(["x1", "x2"]); ax[0].set_title("Raw")
for a, (name, sc) in zip(ax[1:], scalers.items()):
    tr = sc.fit_transform(X_tr)
    te = sc.transform(X_te)
    print(name, "train mean:", tr.mean(axis=0).round(2), "std:", tr.std(axis=0).round(2),
          "test min:", te.min(axis=0).round(2))
    a.boxplot(tr); a.set_xticklabels(["x1", "x2"]); a.set_title(name)
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum