inar Nasional Sains dan Aplikasi Komputasi (SENSAKOM), 25 September 2013
2
.
Data preprocessing Menurut Han dan Kamber, pada dunia nyata data cenderung tidak lengkap, memiliki noise dan tidak
konsisten. Data preprocessing ini adalah salali satu cara untuk mencoba memenuhi data tersebut yang tidak
lengkap (missing\'alue), memiliki noise dan tidak konsisten menjadi data yang layak untuk diolah atau memiliki validitas yang tinggi.
.Q> // i
\
Q M -Q rrZ /
inUpmwn
.
II
11 V ff.-t* -
2.
i)*li transMrnuiwi
l>«u Kilonian * *
1
i? Gam bar 3. data preprocessing
Seperti gambar 4 pada proses ini data preprocessing ini bertahap dalam tiga langkah, yaitu : Cleaning data : replace missing value, data dianalisis untuk mencari apakah ada nilai yang kosong dalam data sample yang diuji. Dalam data cleansing ada lima metode yang digunakan untuk mengatasi data yang kosong diantaranya, 1) Mengabaikan record, biasanya untuk label klasifikasi yang kosong. 2) Mengisikan secara normal, hal ini dilakukan apabila data yangkosong dalam jumlah sedikit. 3) Menggunakan mean / median dari ati r but yang mengandung missing value 4) Menggunakan nilai global. 5) Menggunakan nilai termungkin, dengan cara menerapkan e r gresi. Pada data sampel yang diuji tidak ada data yang hilang atau missing value. [
Start
I
Data mentah :
(Data Curah hujan dan suhu udara).
Forecasting -
"-~
l
.
I I iKesesuaian pola tanam
I Peramalan curah hujan
ZIIZ s
/
Grafik curah hujan X
.
.
.
end
Gambar 4. Metodologi Penelitian
92
Grafik pola
inar Nasional Sains dan Aplikasi Komputasi (SENSAKOM), 25 September 2013
2
.
Data preprocessing Menurut Han dan Kamber, pada dunia nyata data cenderung tidak lengkap, memiliki noise dan tidak
konsisten. Data preprocessing ini adalah salali satu cara untuk mencoba memenuhi data tersebut yang tidak
lengkap (missing\'alue), memiliki noise dan tidak konsisten menjadi data yang layak untuk diolah atau memiliki validitas yang tinggi.
.Q> // i
\
Q M -Q rrZ /
inUpmwn
.
II
11 V ff.-t* -
2.
i)*li transMrnuiwi
l>«u Kilonian * *
1
i? Gam bar 3. data preprocessing
Seperti gambar 4 pada proses ini data preprocessing ini bertahap dalam tiga langkah, yaitu : Cleaning data : replace missing value, data dianalisis untuk mencari apakah ada nilai yang kosong dalam data sample yang diuji. Dalam data cleansing ada lima metode yang digunakan untuk mengatasi data yang kosong diantaranya, 1) Mengabaikan record, biasanya untuk label klasifikasi yang kosong. 2) Mengisikan secara normal, hal ini dilakukan apabila data yangkosong dalam jumlah sedikit. 3) Menggunakan mean / median dari ati r but yang mengandung missing value 4) Menggunakan nilai global. 5) Menggunakan nilai termungkin, dengan cara menerapkan e r gresi. Pada data sampel yang diuji tidak ada data yang hilang atau missing value. [
Start
I
Data mentah :
(Data Curah hujan dan suhu udara).
Forecasting -
"-~
l
.
I I iKesesuaian pola tanam
I Peramalan curah hujan
ZIIZ s
/
Grafik curah hujan X
.
.
.
end
Gambar 4. Metodologi Penelitian
92
Grafik pola
inar Nasional Sains dan Aplikasi Komputasi (SENSAKOM), 25 September 2013
2
.
Data preprocessing Menurut Han dan Kamber, pada dunia nyata data cenderung tidak lengkap, memiliki noise dan tidak
konsisten. Data preprocessing ini adalah salali satu cara untuk mencoba memenuhi data tersebut yang tidak
lengkap (missing\'alue), memiliki noise dan tidak konsisten menjadi data yang layak untuk diolah atau memiliki validitas yang tinggi.
.Q> // i
\
Q M -Q rrZ /
inUpmwn
.
II
11 V ff.-t* -
2.
i)*li transMrnuiwi
l>«u Kilonian * *
1
i? Gam bar 3. data preprocessing
Seperti gambar 4 pada proses ini data preprocessing ini bertahap dalam tiga langkah, yaitu : Cleaning data : replace missing value, data dianalisis untuk mencari apakah ada nilai yang kosong dalam data sample yang diuji. Dalam data cleansing ada lima metode yang digunakan untuk mengatasi data yang kosong diantaranya, 1) Mengabaikan record, biasanya untuk label klasifikasi yang kosong. 2) Mengisikan secara normal, hal ini dilakukan apabila data yangkosong dalam jumlah sedikit. 3) Menggunakan mean / median dari ati r but yang mengandung missing value 4) Menggunakan nilai global. 5) Menggunakan nilai termungkin, dengan cara menerapkan e r gresi. Pada data sampel yang diuji tidak ada data yang hilang atau missing value. [
Start
I
Data mentah :
(Data Curah hujan dan suhu udara).
Forecasting -
"-~
l
.
I I iKesesuaian pola tanam
I Peramalan curah hujan
ZIIZ s
/
Grafik curah hujan X
.
.
.
end
Gambar 4. Metodologi Penelitian
92
Grafik pola
inar Nasional Sains dan Aplikasi Komputasi (SENSAKOM), 25 September 2013
2
.
Data preprocessing Menurut Han dan Kamber, pada dunia nyata data cenderung tidak lengkap, memiliki noise dan tidak
konsisten. Data preprocessing ini adalah salali satu cara untuk mencoba memenuhi data tersebut yang tidak
lengkap (missing\'alue), memiliki noise dan tidak konsisten menjadi data yang layak untuk diolah atau memiliki validitas yang tinggi.
.Q> // i
\
Q M -Q rrZ /
inUpmwn
.
II
11 V ff.-t* -
2.
i)*li transMrnuiwi
l>«u Kilonian * *
1
i? Gam bar 3. data preprocessing
Seperti gambar 4 pada proses ini data preprocessing ini bertahap dalam tiga langkah, yaitu : Cleaning data : replace missing value, data dianalisis untuk mencari apakah ada nilai yang kosong dalam data sample yang diuji. Dalam data cleansing ada lima metode yang digunakan untuk mengatasi data yang kosong diantaranya, 1) Mengabaikan record, biasanya untuk label klasifikasi yang kosong. 2) Mengisikan secara normal, hal ini dilakukan apabila data yangkosong dalam jumlah sedikit. 3) Menggunakan mean / median dari ati r but yang mengandung missing value 4) Menggunakan nilai global. 5) Menggunakan nilai termungkin, dengan cara menerapkan e r gresi. Pada data sampel yang diuji tidak ada data yang hilang atau missing value. [
Start
I
Data mentah :
(Data Curah hujan dan suhu udara).
Forecasting -
"-~
l
.
I I iKesesuaian pola tanam
I Peramalan curah hujan
ZIIZ s
/
Grafik curah hujan X
.
.
.
end
Gambar 4. Metodologi Penelitian
92
Grafik pola
inar Nasional Sains dan Aplikasi Komputasi (SENSAKOM), 25 September 2013
2
.
Data preprocessing Menurut Han dan Kamber, pada dunia nyata data cenderung tidak lengkap, memiliki noise dan tidak
konsisten. Data preprocessing ini adalah salali satu cara untuk mencoba memenuhi data tersebut yang tidak
lengkap (missing\'alue), memiliki noise dan tidak konsisten menjadi data yang layak untuk diolah atau memiliki validitas yang tinggi.
.Q> // i
\
Q M -Q rrZ /
inUpmwn
.
II
11 V ff.-t* -
2.
i)*li transMrnuiwi
l>«u Kilonian * *
1
i? Gam bar 3. data preprocessing
Seperti gambar 4 pada proses ini data preprocessing ini bertahap dalam tiga langkah, yaitu : Cleaning data : replace missing value, data dianalisis untuk mencari apakah ada nilai yang kosong dalam data sample yang diuji. Dalam data cleansing ada lima metode yang digunakan untuk mengatasi data yang kosong diantaranya, 1) Mengabaikan record, biasanya untuk label klasifikasi yang kosong. 2) Mengisikan secara normal, hal ini dilakukan apabila data yangkosong dalam jumlah sedikit. 3) Menggunakan mean / median dari ati r but yang mengandung missing value 4) Menggunakan nilai global. 5) Menggunakan nilai termungkin, dengan cara menerapkan e r gresi. Pada data sampel yang diuji tidak ada data yang hilang atau missing value. [
Start
I
Data mentah :
(Data Curah hujan dan suhu udara).
Forecasting -
"-~
l
.
I I iKesesuaian pola tanam
I Peramalan curah hujan
ZIIZ s
/
Grafik curah hujan X
.
.
.
end
Gambar 4. Metodologi Penelitian
92
Grafik pola
inar Nasional Sains dan Aplikasi Komputasi (SENSAKOM), 25 September 2013
2
.
Data preprocessing Menurut Han dan Kamber, pada dunia nyata data cenderung tidak lengkap, memiliki noise dan tidak
konsisten. Data preprocessing ini adalah salali satu cara untuk mencoba memenuhi data tersebut yang tidak
lengkap (missing\'alue), memiliki noise dan tidak konsisten menjadi data yang layak untuk diolah atau memiliki validitas yang tinggi.
.Q> // i
\
Q M -Q rrZ /
inUpmwn
.
II
11 V ff.-t* -
2.
i)*li transMrnuiwi
l>«u Kilonian * *
1
i? Gam bar 3. data preprocessing
Seperti gambar 4 pada proses ini data preprocessing ini bertahap dalam tiga langkah, yaitu : Cleaning data : replace missing value, data dianalisis untuk mencari apakah ada nilai yang kosong dalam data sample yang diuji. Dalam data cleansing ada lima metode yang digunakan untuk mengatasi data yang kosong diantaranya, 1) Mengabaikan record, biasanya untuk label klasifikasi yang kosong. 2) Mengisikan secara normal, hal ini dilakukan apabila data yangkosong dalam jumlah sedikit. 3) Menggunakan mean / median dari ati r but yang mengandung missing value 4) Menggunakan nilai global. 5) Menggunakan nilai termungkin, dengan cara menerapkan e r gresi. Pada data sampel yang diuji tidak ada data yang hilang atau missing value. [
Start
I
Data mentah :
(Data Curah hujan dan suhu udara).
Forecasting -
"-~
l
.
I I iKesesuaian pola tanam
I Peramalan curah hujan
ZIIZ s
/
Grafik curah hujan X
.
.
.
end
Gambar 4. Metodologi Penelitian
92
Grafik pola
inar Nasional Sains dan Aplikasi Komputasi (SENSAKOM), 25 September 2013
2
.
Data preprocessing Menurut Han dan Kamber, pada dunia nyata data cenderung tidak lengkap, memiliki noise dan tidak
konsisten. Data preprocessing ini adalah salali satu cara untuk mencoba memenuhi data tersebut yang tidak
lengkap (missing\'alue), memiliki noise dan tidak konsisten menjadi data yang layak untuk diolah atau memiliki validitas yang tinggi.
.Q> // i
\
Q M -Q rrZ /
inUpmwn
.
II
11 V ff.-t* -
2.
i)*li transMrnuiwi
l>«u Kilonian * *
1
i? Gam bar 3. data preprocessing
Seperti gambar 4 pada proses ini data preprocessing ini bertahap dalam tiga langkah, yaitu : Cleaning data : replace missing value, data dianalisis untuk mencari apakah ada nilai yang kosong dalam data sample yang diuji. Dalam data cleansing ada lima metode yang digunakan untuk mengatasi data yang kosong diantaranya, 1) Mengabaikan record, biasanya untuk label klasifikasi yang kosong. 2) Mengisikan secara normal, hal ini dilakukan apabila data yangkosong dalam jumlah sedikit. 3) Menggunakan mean / median dari ati r but yang mengandung missing value 4) Menggunakan nilai global. 5) Menggunakan nilai termungkin, dengan cara menerapkan e r gresi. Pada data sampel yang diuji tidak ada data yang hilang atau missing value. [
Start
I
Data mentah :
(Data Curah hujan dan suhu udara).
Forecasting -
"-~
l
.
I I iKesesuaian pola tanam
I Peramalan curah hujan
ZIIZ s
/
Grafik curah hujan X
.
.
.
end
Gambar 4. Metodologi Penelitian
92
Grafik pola
inar Nasional Sains dan Aplikasi Komputasi (SENSAKOM), 25 September 2013
2
.
Data preprocessing Menurut Han dan Kamber, pada dunia nyata data cenderung tidak lengkap, memiliki noise dan tidak
konsisten. Data preprocessing ini adalah salali satu cara untuk mencoba memenuhi data tersebut yang tidak
lengkap (missing\'alue), memiliki noise dan tidak konsisten menjadi data yang layak untuk diolah atau memiliki validitas yang tinggi.
.Q> // i
\
Q M -Q rrZ /
inUpmwn
.
II
11 V ff.-t* -
2.
i)*li transMrnuiwi
l>«u Kilonian * *
1
i? Gam bar 3. data preprocessing
Seperti gambar 4 pada proses ini data preprocessing ini bertahap dalam tiga langkah, yaitu : Cleaning data : replace missing value, data dianalisis untuk mencari apakah ada nilai yang kosong dalam data sample yang diuji. Dalam data cleansing ada lima metode yang digunakan untuk mengatasi data yang kosong diantaranya, 1) Mengabaikan record, biasanya untuk label klasifikasi yang kosong. 2) Mengisikan secara normal, hal ini dilakukan apabila data yangkosong dalam jumlah sedikit. 3) Menggunakan mean / median dari ati r but yang mengandung missing value 4) Menggunakan nilai global. 5) Menggunakan nilai termungkin, dengan cara menerapkan e r gresi. Pada data sampel yang diuji tidak ada data yang hilang atau missing value. [
Start
I
Data mentah :
(Data Curah hujan dan suhu udara).
Forecasting -
"-~
l
.
I I iKesesuaian pola tanam
I Peramalan curah hujan
ZIIZ s
/
Grafik curah hujan X
.
.
.
end
Gambar 4. Metodologi Penelitian
92
Grafik pola
