Sessi 4: Data Wrangling dan Preprocessing (II)

A. Konsep Feature Scaling

Feature Scaling adalah teknik penting untuk mengubah skala variabel numerik dalam dataset agar berada dalam rentang yang serupa. Tanpa *scaling*, fitur dengan nilai besar (misalnya, gaji 10⁸) akan mendominasi perhitungan jarak (seperti pada k-Nearest Neighbors) atau fungsi kerugian (*loss function*), meskipun fitur dengan nilai kecil (misalnya, jumlah anak) sebenarnya lebih penting.

Kapan Scaling Diperlukan?

• Algoritma Berbasis Jarak: k-NN, k-Means, Support Vector Machines (SVM).
• Algoritma Berbasis Gradien: Regresi Logistik dan Jaringan Saraf Tiruan (*Neural Networks*).

B. Normalisasi (Min-Max Scaling)

Normalisasi (sering disebut Min-Max Scaling) mengubah nilai fitur X agar berada dalam rentang [0, 1]. Ini menjaga bentuk distribusi asli data tetapi mengurangi dampak *outlier* pada perhitungan jarak relatif.

Formula Min-Max Scaling

Contoh 1: Penerapan Min-Max Scaling (Dataset Harga Rumah Kaggle)

Digunakan pada fitur yang memiliki batas alami, seperti "Jumlah Kamar Tidur" atau "Tingkat Energi" yang harus berada antara 0 dan 1.

import pandas as pd
from sklearn.preprocessing import MinMaxScaler
import numpy as np

# Data fiktif harga rumah (dari Kaggle House Prices)
data_rumah = {
    'Luas_Tanah': [1000, 3000, 500],
    'Jarak_Kota': [5, 20, 1]
}
df_rumah = pd.DataFrame(data_rumah)
print("Data Awal:\n", df_rumah)

# Inisialisasi Scaler
scaler_minmax = MinMaxScaler()

# Latih dan Transformasi data (fit_transform)
df_rumah_norm = scaler_minmax.fit_transform(df_rumah)

# Konversi kembali ke DataFrame untuk dilihat
df_rumah_norm = pd.DataFrame(df_rumah_norm, columns=df_rumah.columns)
print("\nHasil Normalisasi (Min-Max):\n", df_rumah_norm)
# Luas Tanah 1000 (0.25) = (1000 - 500) / (3000 - 500)

C. Standardisasi (Z-Score Scaling)

Standardisasi (Z-Score Scaling) mentransformasi data sehingga memiliki rata-rata (μ) sama dengan 0 dan deviasi standar (σ) sama dengan 1. Ini sangat disukai ketika data memiliki distribusi yang mendekati Normal (Gaussian).

Formula Z-Score Scaling

Konteks Matematis:

Standardisasi memastikan bahwa setiap fitur berkontribusi sama terhadap fungsi kerugian (Loss Function) dan menjaga simetri distribusi, yang penting untuk konvergensi algoritma berbasis gradien.

Contoh 2: Penerapan Z-Score Scaling (Dataset Breast Cancer UCI)

Dataset medis sering kali menggunakan *Standardization* karena banyak parameter biologi diasumsikan berdistribusi Normal, seperti *Radius Mean* pada sel kanker.

from sklearn.preprocessing import StandardScaler
import pandas as pd
import numpy as np

# Data fiktif (merepresentasikan fitur tumor Breast Cancer)
data_kanker = {
    'Radius_Mean': [17.99, 20.57, 19.69, 11.42], # Nilai besar
    'Texture_Mean': [10.38, 17.77, 21.25, 20.38]  # Nilai kecil
}
df_kanker = pd.DataFrame(data_kanker)
print("Data Awal:\n", df_kanker)

# Inisialisasi Scaler
scaler_std = StandardScaler()

# Latih dan Transformasi data
df_kanker_std = scaler_std.fit_transform(df_kanker)

# Konversi kembali ke DataFrame
df_kanker_std = pd.DataFrame(df_kanker_std, columns=df_kanker.columns)
print("\nHasil Standardisasi (Z-Score) [Mean ≈ 0, Std ≈ 1]:\n", df_kanker_std.round(2))
print("Nilai rata-rata kolom setelah standardisasi:\n", df_kanker_std.mean().round(2))