Quiz

--- primary_color: steelblue secondary_color: lightgray text_color: black --- ### Statistik Deskriptif Apa tujuan dari analisis statistik deskriptif dalam persiapan data? 1. [ ] Menentukan variabel target 1. [ ] Identifikasi dan handling missing values 1. [ ] Mendeteksi dan mengatasi outliers 1. [x] Memberikan gambaran statistik data ### Tahap-tahap Persiapan Data Apa fungsi feature scaling dalam persiapan data? 1. [ ] Mengatasi outliers 1. [x] Normalisasi data 1. [ ] Encoding variabel kategorikal 1. [ ] Menentukan variabel target ### Pembagian Dataset Parameter apa yang digunakan untuk menentukan proporsi data pengujian dalam `train_test_split`? 1. [x] `test_size` 1. [ ] `random_state` 1. [ ] `stratify` 1. [ ] `train_size` ### Pembagian Dataset Mengapa penting menggunakan stratifikasi saat membagi dataset? 1. [x] Menjaga distribusi kelas 1. [ ] Mengurangi jumlah sampel 1. [ ] Meningkatkan variabilitas data 1. [ ] Menghasilkan data yang berbeda setiap kali ### Pengelolaan Data yang Imbalance Apa fungsi dari metode SMOTE? 1. [ ] Mengurangi jumlah sampel dari kelas minoritas 1. [x] Menciptakan sampel sintetis dari kelas minoritas 1. [ ] Menambahkan lebih banyak contoh dari kelas minoritas 1. [ ] Menyesuaikan parameter model ### Pembagian Dataset Bagaimana cara menampilkan distribusi kelas dalam data pelatihan menggunakan value_counts? 1. [ ] `y_train.describe()` 1. [x] `value_counts(y_train)` 1. [ ] `X_train.value_counts()` 1. [ ] `pd.describe(y_train)` ### Pengelolaan Data yang Imbalance Apa keuntungan dari evaluasi model menggunakan precision dan recall pada data tidak seimbang? 1. [ ] Meningkatkan distribusi kelas 1. [ ] Menciptakan sampel sintetis 1. [x] Memberikan informasi lebih lanjut tentang performa pada kelas minoritas 1. [ ] Menyesuaikan parameter model ### Pengelolaan Data yang Imbalance Apa yang dilakukan NearMiss dalam pengelolaan data yang tidak seimbang? 1. [ ] Menambahkan sampel sintetis 1. [x] Mengurangi jumlah sampel dari kelas minoritas 1. [ ] Meningkatkan jumlah sampel kelas mayoritas 1. [ ] Menggabungkan dataset ### Pengelolaan Data yang Imbalance Bagaimana pengelolaan data yang tidak seimbang dapat memengaruhi evaluasi model? 1. [ ] Tidak ada pengaruh 1. [ ] Mengurangi kecepatan model 1. [x] Meningkatkan performa model 1. [ ] Membuat model tidak dapat dilatih ### Pengelolaan Data yang Imbalance Apa yang dapat dilakukan untuk meningkatkan performa model pada kelas minoritas selain oversampling dan undersampling? 1. [x] Menyesuaikan bobot kelas 1. [ ] Menghapus variabel target 1. [ ] Menambahkan lebih banyak fitur 1. [ ] Melakukan feature scaling ### Oversampling Menggunakan SMOTE Bagaimana cara melakukan oversampling menggunakan SMOTE pada data pelatihan? 1. [ ] `SMOTE.fit(X_train, y_train)` 1. [ ] `SMOTE(X_train, y_train)` 1. [ ] `smote = SMOTE(); X_train_balanced, y_train_balanced = smote.fit_resample(X_train, y_train)` 1. [ ] `oversample(X_train, y_train)`