Normalisasi dan Standardisasi Skor Tes Berbeda Skala dari Beberapa Sekolah sebelum Pemodelan

Info proyek

• Bidang studiPendidikan dan Pembelajaran
• JenjangSkripsi (S1)
• Jenis metodeKualitas Data
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatscikit-learn MinMaxScaler, StandardScaler, RobustScaler
• HargaRp 250.000 - Rp 1.600.000

Tujuan analisis

Menormalkan dan menstandarkan skor tes mentah, skala penilaian sekolah, dan jumlah soal lalu menilai dampaknya pada analisis lanjutan.

Variabel

Contoh hasil

• 0.739kNN accuracy (raw)
• 0.73kNN accuracy (z-score)
• 0.743kNN accuracy (min-max)
• 2930.783SD ratio (raw)
• 0Mean after z-score
• 1SD after z-score

Skala variabel berbeda hingga 2930.8 kali; setelah standardisasi, akurasi kNN naik dari 0.739 menjadi 0.730 (min-max 0.743).

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
school_grading_scale = rng.normal(1000, 200, n)       # large-scale variable
number_of_test_items = rng.exponential(2.0, n)        # small-scale, skewed variable
number_of_test_items[:3] += 30                        # outliers
raw_test_score = np.column_stack([school_grading_scale, number_of_test_items])

X_tr, X_te = train_test_split(raw_test_score, 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