d 1 - Telkom University

PREPROCESSING DATA
Tim Dosen Data Mining
Fakultas Informatika
1
Pokok Bahasan
2
Apa Preprocessing
Data
–Agregasi
–Sampling
–Pengurangan
dimensi
–Feature subset
selection
–Feature creation
–Diskretisasi dan
Binerisasi
–Transformasi atribut

Pengukuran Similaritas
& Dissimilaritas
 Euclidean distance
 Minkowski distance
 Mahalanobis Distance
 Simple Matching
 Jaccard Coefficients
 Cosine
 Tanimoto
 Korelasi
2
Definisi Data Preprocessing
3
Adalah strategi dan teknik yang saling berkaitan
untuk membuat data lebih mudah/cocok untuk
digunakan pada data mining
Tujuannya : meningkatkan hasil analisis data
mining terkait masalah waktu, cost dan kualitas
3
Kategori Data Preprocessing
Bisa dibedakan menjadi 2:
–Pemilihan berdasarkan objek data (record)
untuk menganalisis atau creating/changing
atribut
Contoh : Agregasi, sampling
–Pemilihan atribut untuk menganalisis atau
creating/changing atribut
Contoh: Pengurangan Dimensi, feature subset
selection
4
Agregasi
5
Menkombinasikan dua atau lebih atribut (atau
objek ) menjadi satu atribut (atau objek)
Tujuannya
–Pengurangan data baik secara jumlah atribut atau objek
–Merubah skala misalkan penggabungan atribut kota
dengan atribut propinsi dan negara
–Mendapatkan data yang lebih “stabil” karena bisa
didapatkan data dengan variabilitas yang kecil
5
Sampling
6
Merupakan teknik utama utnuk memilih data dan
biasanya digunakan untuk investigasi data dan
analisis data akhir
Sampling di statistik ≠sampling di data mining
–Jika di statistik berkaitan dengan mahalnya atau
lamanya pengumpulan keseluruhan data, jika di data
mining data keseluruhan ada namun untuk memproses
keseluruhan akan terlalu lama
6
Sampling …
7
Prinsip utama sampling yang efektif adalah:
–Ouput dengan penggunaan sampel
sama bagusnya
dengan penggunaan data keseluruhan  berarti data
sampel sudah representatif
–Sampel sudah representatif jika memiliki properti yang
mirip (dari segi interest) seperti data asli
7
Tipe-tipe Sampling
8
Simple Random Sampling
–Setiap item memiliki probabilitas yang sama untuk dipilih
Sampling without replacement
–Setiap item yang terpilih akan dikeluarkan dari populasi
Sampling with replacement
–Setiap item yang terpilih tidak dikeluarkan dari populasi,
bisa saja terpilih lebih dari satu kali
Stratified sampling
–Data displit
menjadi beberapa bagian; lalu diambil
sampel secara acak dari tiap bagian
8
Ukuran Sampel
Ukuran sampel penting untuk ditentukan
Jika semakin besar jumlah sampel maka peluang
sampel tersebut representatif akan besar, namun
keuntungan sampling tidak didapat secara
optimal
Jika semakin kecil sampel kemungkinan pola
tidak didapat kan atau kalaupun didapat pola tsb
salah
Solusinya??
–Adaptive/ progressive sampling
 Dimulai dari sampel kecil sampai sejumlah sampel yang
sudah memadai
9
Ukuran Sampel
10
8000 points
Points
2000 Points
500
10
Adaptive/
progressive sampling
11
10 Group Points
Probabilitas sampel yang mengandung points dari tiap Group
11
Pengurangan Dimensi
Kenapa harus?
–Karena data set bisa saja memiliki jumlah features yang
sangat banyak (contohnya: data dokumen dengan term
sebagi vektor feature-nya)
–Menghindari Curse of Dimensionality (yakni fenomena di
mana analisis data menjadi sangat sulit disebabkan
pertambahan dimensi data, data menjadi tersebar
/sparse
–Rmengurangi penggunaan memori dan waktu yang
dibutuhkan oleh algortima data mining
–Memudahkan visualisasi data
–Membantu pengeliminiran data yang tidak relevan atau
noise
12
Principle Component
Analysis (PCA)
14
Tujuannya untuk mencari projeksi yang menggambarkan
variasi terbesar dalam data
Teknik aljabar linier untuk atribut kontinu yang dapat
menemukan atribut baru (principal component)
14
Pengurangan Dimensi:
ISOMAP
15
By: Tenenbaum, de Silva,
Langford (2000)
Membangun graf neighbourhood
Untuk tiap pasang points pada graf, hitung jarak
terpendek– jarak geodesic
15
Feature Subset Selection
16
Untuk pengurangan dimensi data
Redundant features
–duplicate much or all of the information
contained in one or more other attributes
–Example: purchase price of a product and the
amount of sales tax paid
Irrelevant features
–contain no information that is useful for the
data mining task at hand
–Example: students' ID is often irrelevant to the
task of predicting students' GPA
16
Teknik-teknik
Feature Subset Selection
17
–Pendekatan Brute-force :
 Mencari semua kemungkinan subsets feature sebagai input
algortima data mining
–Pendekatan Embedded :

Feature selection dilakukan sebagai bagina dari algoritma data
mining
–Pendekatan Filter :

Feature dipilih sebelum algoritma data mining dijalankan
–Pendekatan Wrapper :

Penggunaan algoritma data mining sebagai black box untuk
menemukan best subset dari atribut
17
Feature Creation
18
Pembuatan atribut baru yang menggambarkan
informasi penting pada dataset secara lebih
efisien dibanding atribut asal
Ada 3 Metodologi umum :
–Ekstraksi feature

domain-specific
–Mapping Data ke New Space
–Konstruksi Feature

kombinasi features
18
Mapping Data ke New Space
19
l
Transformasi Fourier
l
Transformasi Wavelet
Two Sine Waves
Two Sine Waves + Noise
Frequency
19
Diskretisasi
20
Beberapa teknik tidak menggunakan label kelas
Data
Equal frequency
Equal interval
width
Clustering
20
Diskretisasi
21
Beberapa teknik menggunakan label kelas
Entropy based approach
3 categories for both x and y
5 categories for both x and y
21
Transformasi Atribut
22
Merupakan fungsi yang memetakan keseluruhan
nilai atibut ke nilai baru dan setiap nilai lama
dapat diidentifikasi dengan satu nilai baru
–Fungsi sederhana: xk, log(x), ex, |x|
–Standarisasi dan
–Normaliasi :
22
Normalisasi
Min-Max Normalisation
z-score normalisation
Decimal scaling normalization
PR
Cari rumus pemetaan atribut dengan ketiga normalisasi tsb,
berikan contohnya
Tugas Kelompok : 3 orang
Dikumpulkan Jumat 18 September 2015
23
Similaritas dan Disimilaritas
Similaritas
–Pengukuran numerik untuk kemiripan dua objek
–Semakin tinggi semakin mirip
–range antara [0,1]
Disimilaritas
–Pengukuran numerik untuk perbedaan dua objek
–Semakin tinggi semakin berbeda
–Minimum dissimilaritas = 0
–Upper limit varies
Untuk ukuran similaritas & dissimilaritas bisa
menggunakan jarak (distance)
24
Similaritas /Disimilaritas
untuk Atribut Sederhana
Misalkan p dan q adalah nilai atribut untuk 2 objek data.
25
Teknik-teknik
pengukuran jarak
Euclidean Distance
dist 
Minkowski
distance
n
 ( pk
k 1
n
 qk )
dist  (  | pk  qk
k 1
2
1
r r
|)
Mahalanobis
Distance
mahalanobis( p, q)  ( p  q) 1( p  q)T
26
Contoh perhitungan
Euclidean Distance
3
point
p1
p2
p3
p4
p1
2
p3
p4
1
p2
0
0
1
2
3
4
5
y
2
0
1
1
6
p1
p1
p2
p3
p4
x
0
2
3
5
0
2.828
3.162
5.099
p2
2.828
0
1.414
3.162
p3
3.162
1.414
0
2
p4
5.099
3.162
2
0
Distance Matrix
27
Contoh perhitungan
Minkowski Distance
point
p1
p2
p3
p4
x
0
2
3
5
y
2
0
1
1
L1
p1
p2
p3
p4
p1
0
4
4
6
p2
4
0
2
4
p3
4
2
0
2
p4
6
4
2
0
L2
p1
p2
p3
p4
p1
p2
2.828
0
1.414
3.162
p3
3.162
1.414
0
2
p4
5.099
3.162
2
0
L
p1
p2
p3
p4
p1
p2
p3
p4
0
2.828
3.162
5.099
0
2
3
5
2
0
1
3
3
1
0
2
5
3
2
0
Distance Matrix
28
Contoh perhitungan
Mahalanobis Distance
Covariance Matrix:
C
0.3 0.2


0
.
2
0
.
3


A: (0.5, 0.5)
B
B: (0, 1)
A
C: (1.5, 1.5)
Mahal(A,B) = 5
Mahal(A,C) = 4
29
Similaritas untuk data Binary
Disebut juga similarity coeficients
Nilai antara [0,1]
Simple Matching dan Jaccard Coefficients
Misalkan :
M01 = jumlah atribut di mana p = 0 dan q =1
M10 = jumlah atribut di mana p = 1 and q = 0
M00 = jumlah atribut di mana p = 0 and q = 0
M11 = jumlah atribut di mana p = 1 and q = 1
SMC = number of matches / number of attributes
= (M11 + M00) / (M01 + M10 + M11 + M00)
J = number of 11 matches / number of not-bothzero attributes values
= (M11) / (M01 + M10 + M11)
30
Contoh SMC Vs Jaccard
p= 1000000000
q= 0000001001
M01 = 2
M10 = 1
M00 = 7
M11 = 0
(jumlah atribut di mana
(jumlah atribut di mana
(jumlah atribut di mana
(jumlah atribut di mana
p = 0 dan q =1)
p =1 dan q = 0)
p =0 dan q = 0)
p = 1 dan q = 1)
SMC = (M11 + M00)/(M01 + M10 + M11 + M00) = (0+7) /
(2+1+0+7) = 0.7
J = (M11) / (M01 + M10 + M11) = 0 / (2 + 1 + 0) = 0
31
Cosine Similarity
Jika d1 dan d2 adalah dua vektor dokumen, maka
cos( d1, d2 ) = (d1  d2) / ||d1|| ||d2|| ,
Keterangan  adalah vector dot product dan || d || adalah panjang vector
d.
• Contoh:
d1 = 3 2 0 5 0 0 0 2 0 0
d2 = 1 0 0 0 0 0 0 1 0 2
d1  d2= 3*1 + 2*0 + 0*0 + 5*0 + 0*0 + 0*0 + 0*0 + 2*1 + 0*0 +
0*2 = 5
||d1|| = (3*3+2*2+0*0+5*5+0*0+0*0+0*0+2*2+0*0+0*0)0.5 = (42)
0.5 = 6.481
||d2|| = (1*1+0*0+0*0+0*0+0*0+0*0+0*0+1*1+0*0+2*2) 0.5 = (6)
0.5 = 2.245
cos( d1, d2 ) = .3150
32
Extended Jaccard
Coefficient (Tanimoto)
Merupakan varian dari Jaccard untuk atribut
kontinu atau count attributes
33
Korelasi
Pengukuran korelasi hubungan linier antara
objek-objek
Untuk perhitungan korelasi, data objek
distandarkan p & q, lalu dilakukan dot product
pk  ( pk  mean( p)) / std ( p)
qk  (qk  mean(q)) / std (q)
correlation( p, q)  p  q
34
35
Hatur Nuhun
35