Dalam pengolahan data, proses normalisasi data berarti:

∣ − 2∣ = 2 ..............

Answered by konrad509 | 2024-06-10

Jawaban:Proses normalisasi data dalam konteks pra‑pemrosesan (data preprocessing) adalah mentransformasikan nilai‑nilai variabel (fitur) ke skala yang sama atau rentang tertentu, sehingga tiap fitur dapat “diperbandingkan” secara adil.Penjelasan:Jenis-jenis Metode Proses Normalisasi Data:A. Min-Max ScalingMengubah data ke rentang tertentu, biasanya [0, 1]contoh potongan kodingan:import numpy as npdata = np.array([10, 20, 30, 40, 50])#Fungsi Min-Max Scalingdef min_max_scaling(data):    min_val = np.min(data)    max_val = np.max(data)    return (data - min_val) / (max_val - min_val)#Tahap Normalisasinormalized_data = min_max_scaling(data)print("Data asli:", data)print("Data setelah Min-Max Scaling:", normalized_data). B. Z-Score Normalization (Standarisasi)Mengubah data sehingga memiliki mean = 0 dan standar deviasi = 1.contoh potongan kodingan:import numpy as npdata = np.array([10, 20, 30, 40, 50])#Fungsi Z-Score Normalizationdef z_score_normalization(data):    mean = np.mean(data)    std = np.std(data)    return (data - mean) / std#Tahap Normalisasistandardized_data = z_score_normalization(data)print("Data asli:", data)print("Data setelah Z-Score Normalization:", standardized_data).C. Menggunakan Scikit-LearnNormalisasi ke rentang [0, 1] (atau rentang lain jika ditentukan).contoh potongan kodingan:from sklearn.preprocessing import MinMaxScaler, StandardScalerimport numpy as npdata = np.array([[10], [20], [30], [40], [50]])#Min-Max Scalingmin_max_scaler = MinMaxScaler()min_max_normalized = min_max_scaler.fit_transform(data)#Z-Score Normalizationstandard_scaler = StandardScaler()standardized_data = standard_scaler.fit_transform(data)print("Data asli:\n", data)print("Min-Max Scaling:\n", min_max_normalized)print("Z-Score Normalization:\n", standardized_data).Untuk IDE VS Code bagus, namun yang RECOMMENDED google collab.Tapi honorable mention to Jupyter

Answered by aekmohop | 2025-07-15