Modul Praktikum Data Mining

PERTEMUAN 4
TEKNIK-TEKNIK PRAPROSES DATA MENGGUNAKAN R
TUJUAN PRAKTIKUM
Mahasiswa akan dapat menggunakan teknik-teknik dalam praproses data meliputi
pembersihan data, reduksi data, transformasi data dan diskretisasi data dengan bahasa
pemrograman R.

TEORI PENUNJANG
Pra-proses data dilakukan karena dimungkinkan dataset yang ada tidak lengkap,
mengandung noise atau outlier, data tidak konsisten, atau ada data yang berulang. Tujuan
penting dari pra-proses data adalah untuk meningkatkan kualitas data sehingga proses data
mining juga menghasilkan pengetahuan baru yang lebih baik. Tugas utama dalam pra-
proses data adalah pembersihan data, integrasi data, transformasi data, reduksi data, dan
diskretisasi data.
Seperti bahasa pemrograman umumnya, R memiliki nilai-nilai khusus yang
merepresentasikan pengecualian-pengecualian untuk tipe data normal lainnya. Nilai
tersebut yaitu:
 NA, yang berarti not available. NA menggantikan nilai missing value. Operasi dasar dari R
dapat memproses dataset yang berisikan nilai NA dan terkadang R juga dapat
mengembalikan nilai NA sebagai hasil dari suatu operasi walaupun input dari argument
tersebut tidak terdapat NA. Cobalah kode berikut untuk memahami arti nilai NA di R:

> NA + 1
> sum(c(NA, 1, 2))
> median(c(NA, 1, 2, 3), na.rm = TRUE)
> length(c(NA, 2, 3, 4))
> 3 == NA
> NA == NA
> TRUE | NA

 NULL, yang berarti nilai yang kosong dan memiliki panjang 0. Cobalah kode berikut
untuk memahami arti nilai NULL di R:
> length(c(1, 2, NULL, 4))
> sum(c(1, 2, NULL, 4))
> x <- NULL
> c(x, 2)

 Inf, yang berarti infinity dan hanya digunakan pada vektor dengan kelas numerik. Contoh
kasus yang menghasilkan nilai Inf adalah operasi pembagian dengan 0. Cobalah kode
berikut untuk memahami arti nilai Inf di R:
> pi/0
> 2 * Inf
> Inf - 1e+10

3
Praktikum ke-4
 Modul Praktikum Data Mining

> Inf + Inf

> 3 < -Inf
>Inf == Inf

 NaN, yang berarti not a number. Biasanya hal ini menunjukkan hasil perhitungan yang
tidak diketahui. Contohnya pada operasi 0/0. Inf-Inf, Inf/Inf menghasilkan nilai NaN.
Cobalah kode berikut untuk memahami arti nilai NaN di R:
> NaN + 1
> exp(NaN)

1. Eksplorasi data
Dalam R terdapat beberapa cara untuk melakukan eksplorasi data, yaitu dengan
mengetahui tipe data dari setiap atribut dan mengetahui persebaran data setiap atribut.
> data<-airquality
> str(data)
> summary(data)

Untuk mengetahui jumlah data yang missing, dapat dilakukan dengan cara berikut:
 Install paket mice
 Gunakan fungsi md.pattern (dataset)
> library(mice)
> data<-airquality
> md.pattern(dataset)

Dari hasil program R tersebut kita dapat melihat distribusi dari nilai missing value
untuk setiap atribut.

2. Pembersihan data
 Dari kode sebelumnya kita akan mencoba mengisikan nilai missing value untuk
setiap atribut
> data<-airquality
> #mengisikan nilai mean untuk missing value di atribut
Solar.R
> data$Solar.R[is.na(data$Solar.R)] <- mean (data$Solar.R,
na.rm= TRUE)
> md.pattern(data)

4
Praktikum ke-4
 Modul Praktikum Data Mining

 Untuk atribut dengan tipe data kategorikal dapat menggunakan fungsi modus, yaitu:
names(sort(-table(x))[1]

3. Transformasi data
 Membuat variabel baru bernama variabel bulan untuk dataset kode sebelumnya,
yaitu:
> data$bulan<-NULL
> data$bulan[data$Month == 5] <- “Mei”
> data$bulan[data$Month == 6] <- “Juni”
> data$bulan[data$Month == 7] <- “Juli”
> data$bulan[data$Month == 8] <- “Agustus”
> data$bulan[data$Month == 9] <- “September”

4. Reduksi data
 Menghapus variabel tertentu:
> data$bulan<-NULL

 Sampling data
o Memilih data berdasarkan kriteria tertentu dapat menggunakan fungsi
which(). Misal: ingin memilih data yang memiliki nilai atribut month lebih
besar dari 7 dan nilai atribut wind lebih besar dari 10.
> dataBaru<-data [which(data$Month>7 & data$Wind>=10),]

o Memilih data secara random

>dataRandom<-data[sample(1:nrow(data),50,replace=FALSE),]

5. Integrasi data
 Pada R, dataset biasanya dalam format data frame. Untuk menggabungkan data dari
lebih satu sumber, prasyarat yang harus dipenuhi adalah jumlah atribut dan tipe
atribut dari dataset yang akan digabungkan sama.
 Untuk menggabungkan dua dataset dapat menggunakan kode berikut:
> #menggabungkan dataset dibagian kolom, syarat: jumlah
baris harus sama
> total <- merge(data frameA,data frameB,by="ID")
> # menggabungkan 2 dataset secara baris, syarat: jumlah
kolom harus sama.
> # contoh penggabungan data dari tahap reduksi sampling
data
> dataGabung<- rbind(dataBaru, dataRandom)

6. Diskretitasi data
 Data binning dapat menggunakan fungsi cut.
> Contoh membagi atribut wind menjadi 3 kelompok
> data$Wind<-cut (data$Wind, 3, include.lowest = TRUE)

5
Praktikum ke-4
 Modul Praktikum Data Mining

 Terdapat 2 pendekatan dalam melakukan diskretisasi, yaitu unsupervised dan

supervised.
 Diskretisasi tidak terbimbing (unsupervised) dapat dilakukan dengan paket
infotheo pada fungsi discretize.
> install.packages(“infotheo”)
> library(infotheo)
> #contoh melakukan diskretisasi pada atribut sepal dengan
membagi menjadi 3 kategori dengan metode equal width
> ew.Sepal <- discretize(data$Sepal.Length, "equalwidth", 3)

> #contoh melakukan diskretisasi pada atribut petal dengan

membagi menjadi 3 kategori dengan metode equal frequency
> ef.Petal <- discretize(data$Petal.Length, "equalfreq", 3)

 Diskretisasi terbimbing (supervised) dapat dilakukan dengan paket discretization,

> install.packages(“discretization”)
> library(discretization)

LAPORAN PENDAHULUAN
1. Apakah setiap akan melakukan tahapan data mining harus dilakukan praproses data?
2. Apakah semua teknik praproses data harus dilakukan ketika melakukan praproses data?
3. Bagaimana menetukan jenis praproses data yang tepat untuk menyiapkan suatu
dataset?

MATERI PRAKTIKUM
1 Praproses Data
2 Pembersihan Data
3 Integrasi Data
4 Transformasi Data
5 Reduksi Data
6 Diskretisasi Data

6
Praktikum ke-4