Data Preprocessing dengan Rapidminer: Remove Duplicate, Missing Value, Seleksi Atribut

Sdílet
Vložit
  • čas přidán 29. 08. 2024

Komentáře • 11

  • @anggifitria4967
    @anggifitria4967 Před 9 měsíci

    terimakasih banyak pak, sangat jelas dan mudah dipahami. sehat terus ya pak

  • @MuhammadHarizNurbudianto

    Terimakasih Pak Achmad Solichin, video penjelasan Data Preprocessing sangat bermanfaat dan mudah dipahami 🙏

  • @ilhamalfathurizky8477
    @ilhamalfathurizky8477 Před 2 lety +2

    Terimakasih pak, videonya sangat berguna bagi kami untuk belajar ,materi yang disampaikan cukup jelas dan mudah untuk dipahami

  • @galihmuhammad696
    @galihmuhammad696 Před 2 lety +1

    terima kasih pak atas penjelasannya, saja jadi lebih mudah untuk mengerjakan tugas

  • @khairaalmahyraa
    @khairaalmahyraa Před 2 lety +1

    Terimakasih untuk penjelasannya pak, sangat membantu saya menyelesaikan tugas akhir

  • @muhammadichsan4644
    @muhammadichsan4644 Před 2 lety +1

    Terimakasih atas penjelasan materinya pak,berguna sekali untuk pembelajaran

  • @rayhanfebriyansaputra2944

    Terimakasih pak pengajaran dari bapak sangat mudah dimengerti oleh kami dan materi yang disampaikan mudah dipahami

  • @cakrabuana6239
    @cakrabuana6239 Před 2 lety

    Terimakasih pak videonya sangat membantu saya dalam belajar.

  • @putriamalia313
    @putriamalia313 Před 5 měsíci

    bagaimana cara mengecek kalau data tersebut ada duplikatnya? mohon bantuannya

  • @DanuraAdityadan
    @DanuraAdityadan Před 2 lety +1

    Pak izin bertanya , Jika datanya "sangat kotor" atau banyak sekali Noisy Data, lalu saya ubah dengan populasi terbanyak atau rata rata , apakah itu akan mempengaruhi akurasi hasil,, bagaimana solusinya jika demikian kasusnya terima kasih

    • @AchmadSolichin
      @AchmadSolichin  Před 2 lety +1

      Jika komposisi data yg noisy terlalu banyak, mungkin bisa pertimbangkan opsi pengambilan data ulang. Namun jika data yg tidak noisy dirasa sudah cukup untuk diproses, maka lebih baik gunakan data itu aja.