Scribd
Unggah
84 tayangan4 halaman

Pentingnya Feature Engineering

Dokumen ini membahas tentang Feature Engineering yang merupakan langkah preprocessing penting dalam machine learning untuk mengubah data mentah menjadi fitur yang dapat digunakan untuk merancang model prediktif. Feature Engineering meliputi pembuatan, transformasi, ekstraksi, dan pemilihan fitur untuk meningkatkan kinerja algoritma pembelajaran mesin.

Diunggah oleh

andiarf388
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai DOCX, PDF, TXT atau baca online di Scribd
84 tayangan4 halaman

Pentingnya Feature Engineering

Dokumen ini membahas tentang Feature Engineering yang merupakan langkah preprocessing penting dalam machine learning untuk mengubah data mentah menjadi fitur yang dapat digunakan untuk merancang model prediktif. Feature Engineering meliputi pembuatan, transformasi, ekstraksi, dan pemilihan fitur untuk meningkatkan kinerja algoritma pembelajaran mesin.

Diunggah oleh

andiarf388
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai DOCX, PDF, TXT atau baca online di Scribd
Anda di halaman 1/ 4

TUGAS DATA MINING

“Fetaure Engineering”

Disusun Oleh:
Andi Arifai_D071201024

DOSEN:
Ir. Nurfaidah Tahir S.T., M.T., IPM

DEPARTEMEN TEKNIK INDUSTRI FAKULTAS TEKNIK


UNIVERSITAS HASANUDDIN
GOWA
2023
Pentingnya Feature Engineering
a. Definisi Feature Engineering
Feature Engineering (FE) adalah langkah preprocessing dalam machine learning yang
digunakan untuk mengubah data mentah menjadi fitur yang dapat digunakan untuk
merancang model prediktif pada machine learning atau statistical modelling. Feature
Engineering juga merupakan proses menggunakan pengetahuan domain dari data dalam
rangka membuat fitur yang bertujuan untuk membuat algoritma pembelajaran bekerja.
Namun, dalam rangka membangun classifier atau algoritma pembelajaran
prediktif, input perlu disesuaikan sedemikian rupa sehingga algoritma dapat
memahaminya. Hal tersebut memakan waktu yang cukup lama dalam proses
membangun classifier. Berikut merupakan kerangka umum FE untuk klasifikasi (Cahyani,
2020).
b. Langkah-Langkah Feature Engineering
FE dilakukan setelah scrubbing dan persiapan data, tetapi sebelum menyeleksi fitur.
Urutan tersebut menunjukkan bahwa Feature Engineering (FE) memiliki peran penting
dalam memberikan representasi data yang lebih baik kepada predictive learning
algorithm. Feature Engineering dibagi menjadi 2 tahap, yaitu:
 Pembuatan Fitur
Merupakan proses dalam rangka menghasilkan fitur baru berdasarkan variabel yang
sudah ada. Variabel yang ditentukan sebaiknya memiliki manfaat yang signifikan bagi
algoritma pembelajaran prediktif.
 Transformasi Fitur
Langkah ini melibatkan penyesuaian variabel guna meningkatkan akurasi dan
performa algoritma pembelajaran prediktif.
 Ekstraksi Fitur
Proses menghasilkan variabel baru dengan cara mengekstraknya dari raw data guna
mengurangi volume data sehingga dapat mempermudah pengelolaan data.
 Pemilihan Fitur
Proses mengidentifikasi dan menentukan fitur yang paling sesuai dari data serta
menghapus fitur yang tidak relevan atau kurang penting.
(Cahyani, 2020)
c. Pentingnya Feature Engineering
1. Rekayasa Fitur adalah langkah yang sangat penting dalam pembelajaran
mesin. Rekayasa fitur mengacu pada proses merancang fitur buatan ke dalam suatu
algoritma. Fitur buatan ini kemudian digunakan oleh algoritma tersebut untuk
meningkatkan kinerjanya, atau dengan kata lain menuai hasil yang lebih
baik. Ilmuwan data menghabiskan sebagian besar waktunya dengan data, dan penting
untuk membuat model akurat. Ketika aktivitas rekayasa fitur dilakukan dengan benar,
dataset yang dihasilkan optimal dan memuat semua faktor penting yang memengaruhi
masalah bisnis. Sebagai hasil dari kumpulan data ini, model prediktif yang paling
akurat dan wawasan yang paling berguna dihasilkan (Pathel, 2021). Beberapa contoh
terkait dengan fitur engineering diantaranya adalah penerapan fitur engineering
terhadap analisis kinerja teknologi augmented reality dalam target gambar. Contoh
lain adalah Penggabungan Fitur (Feature Combination), menggabungkan beberapa
fitur menjadi satu fitur baru yang lebih informatif. Misalnya, dalam analisis penjualan
ritel, kita dapat menggabungkan fitur jumlah barang dan harga satuan untuk
mendapatkan total penjualan. Ekstraksi Tanggal (Date Extraction), Jika data
mencakup informasi tanggal, kita dapat mengekstrak fitur-fitur tambahan seperti hari
dalam seminggu, bulan, atau musim. Hal ini dapat membantu mengungkap pola atau
tren musiman dalam data.
DAFTAR PUSTAKA

Cahyani, R. R. (2020). Metode Feature Engineering dalam Performa Klasifikasi Data Mining.
SRK Jurnal, 1-3.
Pathel, Harshil. 2021. Apa itu Rekayasa Fitur- Pentingnya, Alat, dan Teknik untuk
Pembelajaran Mesin. https://towardsdatascience.com/what-is-feature-engineering-
importance-tools-and-techniques-for-machine-learning-2080b0269f10. Diakses pada
19 Juni 2023.

Anda mungkin juga menyukai