SAMPLING & SURVEY TECHNIQUES

TRANSFORMASI DATA

Logo

Pendahuluan

Transformasi data adalah teknik dalam pemrosesan data yang bertujuan untuk mengubah format, struktur, atau nilai data agar lebih sesuai untuk analisis, eksplorasi, dan pemodelan. Beberapa alasan utama transformasi data adalah:

  • Menstabilkan Variansi – Data dengan skala yang sangat berbeda dapat menyebabkan model menjadi tidak stabil atau sulit dipahami. Dengan transformasi, distribusi data dapat disesuaikan agar lebih seragam.
  • Mengurangi Skewness – Data sering kali memiliki distribusi yang miring (skewed), yang dapat mempengaruhi performa model statistik. Transformasi dapat membantu mendekatkan distribusi ke bentuk normal.
  • Menangani Outlier – Outlier atau nilai ekstrem dapat mendistorsi hasil analisis dan pemodelan. Teknik transformasi dapat membantu mengurangi pengaruhnya.
  • Mengubah Data Kategorikal – Data kategorikal tidak dapat langsung digunakan dalam banyak algoritma machine learning, sehingga perlu diubah menjadi bentuk numerik.
  • Mendeteksi Pola Musiman dan Tren – Dalam analisis deret waktu, transformasi membantu mengidentifikasi pola musiman dan tren dengan lebih jelas.
  • Mengurangi Dimensi Data – Ketika dataset memiliki terlalu banyak variabel, analisis menjadi sulit dan memakan waktu. Teknik seperti Principal Component Analysis (PCA) membantu menyederhanakan struktur data tanpa kehilangan informasi penting.

Laporan ini akan membahas berbagai teknik transformasi data beserta contoh implementasi dalam bahasa R.

1. Time Series Transformations

1.1 Lagging (Penundaan Data)

Lagging adalah teknik yang digunakan untuk menggeser data ke belakang dalam satuan waktu tertentu. Ini sangat berguna dalam analisis deret waktu untuk memahami keterkaitan antara nilai saat ini dan masa lalu.

Teknik ini sering digunakan dalam model prediktif seperti ARIMA dan regresi deret waktu. Dengan menerapkan lagging, kita dapat melihat pola pergerakan suatu variabel terhadap waktu, yang memungkinkan analisis yang lebih mendalam.

Kelebihan:

  • Membantu memahami hubungan temporal antara variabel.
  • Berguna dalam pemodelan prediktif berbasis deret waktu.
  • Membantu dalam pembuatan fitur baru untuk model machine learning berbasis deret waktu.

Kekurangan:

  • Dapat menyebabkan kehilangan data pada awal periode.
  • Jika lag terlalu besar, informasi yang relevan bisa hilang.
  • Tidak selalu efektif jika pola hubungan antarwaktu tidak konsisten.

Contoh Penggunaan: - Dalam keuangan, harga saham hari ini bisa dipengaruhi oleh harga sebelumnya. - Dalam meteorologi, suhu hari ini mungkin bergantung pada suhu beberapa hari yang lalu.

## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
##      tanggal suhu suhu_lag1
## 1 2023-01-01   30        NA
## 2 2023-01-02   32        30
## 3 2023-01-03   31        32
## 4 2023-01-04   29        31
## 5 2023-01-05   28        29

1.2 Differencing (Perbedaan Data Antar Periode)

Differencing digunakan untuk menghilangkan tren dalam data dengan menghitung selisih antara nilai saat ini dan nilai sebelumnya. Teknik ini penting dalam analisis deret waktu karena dapat membuat data lebih stasioner, yang merupakan asumsi penting dalam banyak model statistik.

Kelebihan:

  • Mengurangi tren dalam data sehingga lebih stasioner.
  • Berguna dalam model ARIMA untuk analisis deret waktu.
  • Membantu dalam deteksi perubahan pola data secara lebih akurat.

Kekurangan:

  • Jika digunakan secara berlebihan, dapat menghilangkan informasi penting.
  • Tidak cocok untuk data dengan variabilitas rendah.
  • Tidak cocok untuk data dengan variabilitas rendah karena dapat memperburuk hasil analisis.

Tujuan: - Membantu membuat data lebih stasioner (tidak memiliki tren yang kuat). - Berguna dalam model ARIMA untuk analisis deret waktu.

##      tanggal suhu suhu_lag1 diff_suhu
## 1 2023-01-01   30        NA        NA
## 2 2023-01-02   32        30         2
## 3 2023-01-03   31        32        -1
## 4 2023-01-04   29        31        -2
## 5 2023-01-05   28        29        -1

1.3 Rolling Window (Jendela Bergulir)

Rolling window digunakan untuk menghitung statistik bergerak seperti rata-rata bergerak (moving average) yang membantu menghaluskan fluktuasi data. Teknik ini sering digunakan dalam analisis tren jangka pendek untuk memahami pola perubahan data secara lebih halus.

Kelebihan:

  • Membantu menghaluskan fluktuasi data yang bersifat jangka pendek.
  • Mengurangi dampak noise dalam data.
  • Dapat digunakan untuk deteksi tren yang lebih jelas dalam data yang berfluktuasi.

Kekurangan:

  • Tidak mempertimbangkan tren jangka panjang.
  • Jika jendela terlalu besar, detail penting bisa hilang.

Contoh Penggunaan: - Digunakan dalam analisis keuangan untuk menghitung rata-rata pergerakan harga saham. - Dalam epidemiologi untuk menghitung rata-rata kasus harian dalam pandemi. - Pemilihan ukuran jendela yang tidak tepat dapat menyebabkan hasil yang bias atau kurang representatif.

## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
##      tanggal suhu suhu_lag1 diff_suhu moving_avg
## 1 2023-01-01   30        NA        NA         NA
## 2 2023-01-02   32        30         2         NA
## 3 2023-01-03   31        32        -1   31.00000
## 4 2023-01-04   29        31        -2   30.66667
## 5 2023-01-05   28        29        -1   29.33333

2. Log Transformation

Transformasi logaritmik digunakan untuk mengurangi perbedaan skala dalam dataset dengan mengambil logaritma dari setiap nilai dalam dataset. Teknik ini sangat berguna dalam menangani data yang memiliki distribusi skewed atau nilai ekstrem yang sangat tinggi.

Tujuan:

  • Membantu menyamakan skala data yang memiliki variasi besar antara nilai minimum dan maksimum.

  • Mengubah distribusi data yang miring menjadi lebih normal.

  • Memudahkan interpretasi hubungan antara variabel dalam analisis regresi.

Kelebihan:

  • Menstabilkan varians – mengurangi dampak nilai ekstrem.
  • Mengurangi skewness – membuat distribusi lebih simetris.
  • Meningkatkan akurasi model prediktif dengan membuat hubungan antar variabel lebih linear.

Kekurangan:

  • Tidak dapat digunakan pada data bernilai nol atau negatif.
  • Dapat menyebabkan hilangnya interpretabilitas dalam beberapa kasus.
##      tanggal suhu suhu_lag1 diff_suhu moving_avg log_suhu
## 1 2023-01-01   30        NA        NA         NA 3.401197
## 2 2023-01-02   32        30         2         NA 3.465736
## 3 2023-01-03   31        32        -1   31.00000 3.433987
## 4 2023-01-04   29        31        -2   30.66667 3.367296
## 5 2023-01-05   28        29        -1   29.33333 3.332205

3. Feature Engineering

Feature engineering adalah proses menciptakan fitur baru dari data yang ada untuk meningkatkan performa model.

Tujuan:

  • Menghasilkan fitur yang lebih bermakna dan informatif.

  • Meningkatkan kinerja model prediktif dengan memperkaya data yang digunakan.

  • Mempermudah interpretasi hasil analisis.

Kelebihan:

  • Dapat meningkatkan performa model secara signifikan.
  • Membantu mengidentifikasi pola yang lebih kompleks.

Kekurangan:

  • Memerlukan pemahaman domain yang mendalam.
  • Bisa menambah kompleksitas model secara berlebihan.

Contoh: - Ekstraksi informasi waktu (misalnya hari dalam seminggu, bulan, atau musim dari tanggal). - Menggabungkan beberapa variabel menjadi satu fitur baru yang lebih representatif.

##      tanggal suhu suhu_lag1 diff_suhu moving_avg log_suhu      hari bulan
## 1 2023-01-01   30        NA        NA         NA 3.401197    Sunday    01
## 2 2023-01-02   32        30         2         NA 3.465736    Monday    01
## 3 2023-01-03   31        32        -1   31.00000 3.433987   Tuesday    01
## 4 2023-01-04   29        31        -2   30.66667 3.367296 Wednesday    01
## 5 2023-01-05   28        29        -1   29.33333 3.332205  Thursday    01

4. Encoding Categorical Data

Data kategorikal sering kali perlu dikonversi ke bentuk numerik agar dapat digunakan dalam algoritma machine learning. Terdapat beberapa metode umum untuk encoding data kategorikal.

4.1 One-Hot Encoding

One-hot encoding adalah metode yang mengubah setiap kategori menjadi variabel biner terpisah. Misalnya, jika terdapat tiga kategori: “A”, “B”, dan “C”, maka setiap kategori akan diubah menjadi tiga kolom biner dengan nilai 0 atau 1.

Kelebihan:

  • Tidak mengasumsikan hubungan ordinal antar kategori, sehingga cocok untuk kategori yang tidak memiliki urutan.
  • Berguna untuk model berbasis pohon keputusan, seperti random forest dan decision tree.

Kekurangan:

  • Dapat meningkatkan dimensi data secara signifikan, terutama jika terdapat banyak kategori unik dalam variabel tersebut.
## Loading required package: ggplot2
## Loading required package: lattice
##   kategori.A kategori.B kategori.C
## 1          1          0          0
## 2          0          1          0
## 3          1          0          0
## 4          0          0          1
## 5          0          1          0

4.2 Label Encoding

Label encoding adalah metode yang mengonversi kategori menjadi angka. Metode ini sering digunakan untuk variabel kategorikal yang memiliki hubungan ordinal.

Kelebihan:

  • Menghemat ruang penyimpanan dibandingkan One-Hot Encoding karena hanya memerlukan satu kolom.

  • Cocok untuk data dengan kategori yang memiliki urutan tertentu, seperti “rendah”, “sedang”, dan “tinggi”.

Kekurangan:

  • Tidak cocok untuk kategori yang tidak memiliki urutan karena model bisa menganggap adanya hubungan numerik antar kategori.
##      tanggal suhu suhu_lag1 diff_suhu moving_avg log_suhu      hari bulan
## 1 2023-01-01   30        NA        NA         NA 3.401197    Sunday    01
## 2 2023-01-02   32        30         2         NA 3.465736    Monday    01
## 3 2023-01-03   31        32        -1   31.00000 3.433987   Tuesday    01
## 4 2023-01-04   29        31        -2   30.66667 3.367296 Wednesday    01
## 5 2023-01-05   28        29        -1   29.33333 3.332205  Thursday    01
##   kategori kategori_numeric
## 1        A                1
## 2        B                2
## 3        A                1
## 4        C                3
## 5        B                2

5. Outlier Treatment

Outlier adalah data yang memiliki nilai ekstrem dibandingkan dengan sebagian besar data lainnya. Nilai ini dapat mengganggu analisis statistik dan machine learning karena dapat menyebabkan hasil yang bias atau tidak akurat. Berikut adalah dua metode umum untuk menangani outlier.

5.1 Z-Score

Z-Score adalah metode yang digunakan untuk mendeteksi outlier berdasarkan standar deviasi. Nilai Z dihitung dengan rumus:

\[ z = \frac{x - \mu}{\sigma} \]

Dimana:

  • \(x\) adalah nilai data,

  • \(\mu\) adalah rata-rata populasi,

  • \(\sigma\) adalah standar deviasi populasi.

Jika nilai Z lebih besar dari 3 atau lebih kecil dari -3, maka nilai tersebut dianggap sebagai outlier.

Kelebihan:

  • Dapat digunakan untuk data kontinu.

  • Mudah diimplementasikan.

Kekurangan:

  • Sensitif terhadap distribusi yang tidak normal.
##  [1] tanggal          suhu             suhu_lag1        diff_suhu       
##  [5] moving_avg       log_suhu         hari             bulan           
##  [9] kategori         kategori_numeric z_score         
## <0 rows> (or 0-length row.names)

5.2 IQR (Interquartile Range)

IQR adalah metode yang mendeteksi outlier berdasarkan kuartil data.

Rumusnya:

\[ IQR = Q3 - Q1 \]

Dimana:

  • \(Q1\) adalah kuartil pertama (persentil ke-25),

  • \(Q3\) adalah kuartil ketiga (persentil ke-75).

Outlier didefinisikan sebagai nilai yang lebih kecil dari \(Q1 - 1.5 \times IQR\) atau lebih besar dari \(Q3 + 1.5 \times IQR\).

##  [1] tanggal          suhu             suhu_lag1        diff_suhu       
##  [5] moving_avg       log_suhu         hari             bulan           
##  [9] kategori         kategori_numeric z_score         
## <0 rows> (or 0-length row.names)

Kesimpulan

Transformasi data merupakan langkah penting dalam analisis data, statistik, dan machine learning. Dengan menggunakan berbagai teknik yang tepat, kita dapat meningkatkan kualitas data sehingga analisis lebih akurat dan model bekerja lebih optimal. Selain itu, transformasi membantu dalam menangani tantangan seperti variabilitas data, distribusi yang tidak normal, dan keberadaan outlier yang dapat mempengaruhi hasil akhir. Oleh karena itu, pemahaman tentang teknik transformasi sangat diperlukan bagi siapa saja yang bekerja dengan data.

---  
title: "SAMPLING & SURVEY TECHNIQUES"  
subtitle: "TRANSFORMASI DATA"  
author: "Dadan Ramdan Hidayat (52240028)"  
date: "`r format(Sys.Date(), '%B %d, %Y')`"  
output:  
  rmdformats::readthedown:   
    self_contained: true  
    thumbnails: true  
    lightbox: true  
    gallery: true  
    lib_dir: libs  
    df_print: "paged"  
    code_folding: "show"  
    code_download: true  
    css: "style.css"  
---  

<img src="FOTO TERBARU_11zon.jpg" alt="Logo" style="width:200px; display: block; margin: auto;">

# **Pendahuluan**  
Transformasi data adalah teknik dalam pemrosesan data yang bertujuan untuk mengubah format, struktur, atau nilai data agar lebih sesuai untuk analisis, eksplorasi, dan pemodelan. Beberapa alasan utama transformasi data adalah:  

- **Menstabilkan Variansi** – Data dengan skala yang sangat berbeda dapat menyebabkan model menjadi tidak stabil atau sulit dipahami. Dengan transformasi, distribusi data dapat disesuaikan agar lebih seragam.
- **Mengurangi Skewness** – Data sering kali memiliki distribusi yang miring (skewed), yang dapat mempengaruhi performa model statistik. Transformasi dapat membantu mendekatkan distribusi ke bentuk normal.
- **Menangani Outlier** – Outlier atau nilai ekstrem dapat mendistorsi hasil analisis dan pemodelan. Teknik transformasi dapat membantu mengurangi pengaruhnya.
- **Mengubah Data Kategorikal** – Data kategorikal tidak dapat langsung digunakan dalam banyak algoritma machine learning, sehingga perlu diubah menjadi bentuk numerik.
- **Mendeteksi Pola Musiman dan Tren** – Dalam analisis deret waktu, transformasi membantu mengidentifikasi pola musiman dan tren dengan lebih jelas.
- **Mengurangi Dimensi Data** – Ketika dataset memiliki terlalu banyak variabel, analisis menjadi sulit dan memakan waktu. Teknik seperti Principal Component Analysis (PCA) membantu menyederhanakan struktur data tanpa kehilangan informasi penting.

Laporan ini akan membahas berbagai teknik transformasi data beserta contoh implementasi dalam bahasa R.

---

# **1. Time Series Transformations**  
## **1.1 Lagging (Penundaan Data)**  
Lagging adalah teknik yang digunakan untuk menggeser data ke belakang dalam satuan waktu tertentu. Ini sangat berguna dalam analisis deret waktu untuk memahami keterkaitan antara nilai saat ini dan masa lalu.

Teknik ini sering digunakan dalam model prediktif seperti ARIMA dan regresi deret waktu. Dengan menerapkan lagging, kita dapat melihat pola pergerakan suatu variabel terhadap waktu, yang memungkinkan analisis yang lebih mendalam.

### **Kelebihan:**  
- Membantu memahami hubungan temporal antara variabel.
- Berguna dalam pemodelan prediktif berbasis deret waktu.
- Membantu dalam pembuatan fitur baru untuk model machine learning berbasis deret waktu.

### **Kekurangan:**  
- Dapat menyebabkan kehilangan data pada awal periode.
- Jika lag terlalu besar, informasi yang relevan bisa hilang.
- Tidak selalu efektif jika pola hubungan antarwaktu tidak konsisten.


**Contoh Penggunaan:**
- Dalam keuangan, harga saham hari ini bisa dipengaruhi oleh harga sebelumnya.
- Dalam meteorologi, suhu hari ini mungkin bergantung pada suhu beberapa hari yang lalu.

```{r, massage=FALSE, echo=FALSE, warning=FALSE}
library(dplyr)

data <- data.frame(
  tanggal = as.Date('2023-01-01') + 0:4,
  suhu = c(30, 32, 31, 29, 28)
)

data <- data %>% mutate(suhu_lag1 = lag(suhu, n = 1))
print(data)
```

## **1.2 Differencing (Perbedaan Data Antar Periode)**  
Differencing digunakan untuk menghilangkan tren dalam data dengan menghitung selisih antara nilai saat ini dan nilai sebelumnya. Teknik ini penting dalam analisis deret waktu karena dapat membuat data lebih stasioner, yang merupakan asumsi penting dalam banyak model statistik.

### **Kelebihan:**  
- Mengurangi tren dalam data sehingga lebih stasioner.
- Berguna dalam model ARIMA untuk analisis deret waktu.
- Membantu dalam deteksi perubahan pola data secara lebih akurat.

### **Kekurangan:**  
- Jika digunakan secara berlebihan, dapat menghilangkan informasi penting.
- Tidak cocok untuk data dengan variabilitas rendah.
- Tidak cocok untuk data dengan variabilitas rendah karena dapat memperburuk hasil analisis.

**Tujuan:**
- Membantu membuat data lebih stasioner (tidak memiliki tren yang kuat).
- Berguna dalam model ARIMA untuk analisis deret waktu.

```{r, massage=FALSE, echo=FALSE, warning=FALSE}
data <- data %>% mutate(diff_suhu = suhu - lag(suhu, n = 1))
print(data)
```

## **1.3 Rolling Window (Jendela Bergulir)**  
Rolling window digunakan untuk menghitung statistik bergerak seperti rata-rata bergerak (**moving average**) yang membantu menghaluskan fluktuasi data. Teknik ini sering digunakan dalam analisis tren jangka pendek untuk memahami pola perubahan data secara lebih halus.


### **Kelebihan:**  
- Membantu menghaluskan fluktuasi data yang bersifat jangka pendek.
- Mengurangi dampak noise dalam data.
- Dapat digunakan untuk deteksi tren yang lebih jelas dalam data yang berfluktuasi.

### **Kekurangan:**  
- Tidak mempertimbangkan tren jangka panjang.
- Jika jendela terlalu besar, detail penting bisa hilang.

**Contoh Penggunaan:**
- Digunakan dalam analisis keuangan untuk menghitung rata-rata pergerakan harga saham.
- Dalam epidemiologi untuk menghitung rata-rata kasus harian dalam pandemi.
- Pemilihan ukuran jendela yang tidak tepat dapat menyebabkan hasil yang bias atau kurang representatif.

```{r, massage=FALSE, echo=FALSE, warning=FALSE}
library(zoo)

data <- data %>% mutate(moving_avg = rollmean(suhu, k = 3, fill = NA, align = "right"))
print(data)
```

---

# **2. Log Transformation**  
Transformasi logaritmik digunakan untuk mengurangi perbedaan skala dalam dataset dengan mengambil logaritma dari setiap nilai dalam dataset. Teknik ini sangat berguna dalam menangani data yang memiliki distribusi skewed atau nilai ekstrem yang sangat tinggi.

**Tujuan:**

- Membantu menyamakan skala data yang memiliki variasi besar antara nilai minimum dan maksimum.

- Mengubah distribusi data yang miring menjadi lebih normal.

- Memudahkan interpretasi hubungan antara variabel dalam analisis regresi.

### **Kelebihan:**  
- **Menstabilkan varians** – mengurangi dampak nilai ekstrem.
- **Mengurangi skewness** – membuat distribusi lebih simetris.
- **Meningkatkan akurasi model prediktif** dengan membuat hubungan antar variabel lebih linear.

### **Kekurangan:**  
- Tidak dapat digunakan pada data bernilai nol atau negatif.
- Dapat menyebabkan hilangnya interpretabilitas dalam beberapa kasus.



```{r, massage=FALSE, echo=FALSE, warning=FALSE}
data <- data %>% mutate(log_suhu = log(suhu))
print(data)
```

---

# **3. Feature Engineering**  
Feature engineering adalah proses menciptakan fitur baru dari data yang ada untuk meningkatkan performa model.

**Tujuan:**

- Menghasilkan fitur yang lebih bermakna dan informatif.

- Meningkatkan kinerja model prediktif dengan memperkaya data yang digunakan.

- Mempermudah interpretasi hasil analisis.

### **Kelebihan:**  
- Dapat meningkatkan performa model secara signifikan.
- Membantu mengidentifikasi pola yang lebih kompleks.

### **Kekurangan:**  
- Memerlukan pemahaman domain yang mendalam.
- Bisa menambah kompleksitas model secara berlebihan.

**Contoh:**
- Ekstraksi informasi waktu (misalnya hari dalam seminggu, bulan, atau musim dari tanggal).
- Menggabungkan beberapa variabel menjadi satu fitur baru yang lebih representatif.

```{r, massage=FALSE, echo=FALSE, warning=FALSE}
data <- data %>% mutate(hari = weekdays(tanggal), bulan = format(tanggal, "%m"))
print(data)
```

---

# **4. Encoding Categorical Data**  

Data kategorikal sering kali perlu dikonversi ke bentuk numerik agar dapat digunakan dalam algoritma machine learning. Terdapat beberapa metode umum untuk encoding data kategorikal.

## **4.1 One-Hot Encoding**  
One-hot encoding adalah metode yang mengubah setiap kategori menjadi variabel biner terpisah. Misalnya, jika terdapat tiga kategori: "A", "B", dan "C", maka setiap kategori akan diubah menjadi tiga kolom biner dengan nilai 0 atau 1.

### **Kelebihan:**  
- Tidak mengasumsikan hubungan ordinal antar kategori, sehingga cocok untuk kategori yang tidak memiliki urutan.
- Berguna untuk model berbasis pohon keputusan, seperti random forest dan decision tree.

### **Kekurangan:**  
- Dapat meningkatkan dimensi data secara signifikan, terutama jika terdapat banyak kategori unik dalam variabel tersebut.

```{r, massage=FALSE, echo=FALSE, warning=FALSE}
library(caret)
data$kategori <- factor(c("A", "B", "A", "C", "B"))

dummyVarsObj <- dummyVars(~ kategori, data = data)
encoded_data <- predict(dummyVarsObj, newdata = data)
print(encoded_data)
```

## **4.2 Label Encoding**  
Label encoding adalah metode yang mengonversi kategori menjadi angka. Metode ini sering digunakan untuk variabel kategorikal yang memiliki hubungan ordinal.

### **Kelebihan:**  

- Menghemat ruang penyimpanan dibandingkan One-Hot Encoding karena hanya memerlukan satu kolom.

- Cocok untuk data dengan kategori yang memiliki urutan tertentu, seperti "rendah", "sedang", dan "tinggi".

### **Kekurangan:**  
- Tidak cocok untuk kategori yang tidak memiliki urutan karena model bisa menganggap adanya hubungan numerik antar kategori.

```{r, massage=FALSE, echo=FALSE, warning=FALSE}
data$kategori_numeric <- as.numeric(as.factor(data$kategori))
print(data)
```

---

# **5. Outlier Treatment**  

Outlier adalah data yang memiliki nilai ekstrem dibandingkan dengan sebagian besar data lainnya. Nilai ini dapat mengganggu analisis statistik dan machine learning karena dapat menyebabkan hasil yang bias atau tidak akurat. Berikut adalah dua metode umum untuk menangani outlier.

## **5.1 Z-Score**  
Z-Score adalah metode yang digunakan untuk mendeteksi outlier berdasarkan standar deviasi. Nilai Z dihitung dengan rumus:

>$$
z = \frac{x - \mu}{\sigma}
>$$

Dimana:

- \( x \) adalah nilai data,

- \( \mu \) adalah rata-rata populasi,

- \( \sigma \) adalah standar deviasi populasi.

Jika nilai Z lebih besar dari 3 atau lebih kecil dari -3, maka nilai tersebut dianggap sebagai outlier.

**Kelebihan:**

- **Dapat digunakan untuk data kontinu**.

- **Mudah diimplementasikan**.

**Kekurangan:**

- **Sensitif terhadap distribusi yang tidak normal**.

```{r, massage=FALSE, echo=FALSE, warning=FALSE}
data$z_score <- (data$suhu - mean(data$suhu)) / sd(data$suhu)
outliers <- data %>% filter(abs(z_score) > 3)
print(outliers)
```

## **5.2 IQR (Interquartile Range)**  
IQR adalah metode yang mendeteksi outlier berdasarkan kuartil data. 

Rumusnya:

>$$
IQR = Q3 - Q1
>$$

Dimana:

- \( Q1 \) adalah kuartil pertama (persentil ke-25),

- \( Q3 \) adalah kuartil ketiga (persentil ke-75).

Outlier didefinisikan sebagai nilai yang lebih kecil dari \( Q1 - 1.5 \times IQR \) atau lebih besar dari \( Q3 + 1.5 \times IQR \).

```{r, massage=FALSE, echo=FALSE, warning=FALSE}
Q1 <- quantile(data$suhu, 0.25)
Q3 <- quantile(data$suhu, 0.75)
IQR_value <- Q3 - Q1

outliers <- data %>% filter(suhu < (Q1 - 1.5 * IQR_value) | suhu > (Q3 + 1.5 * IQR_value))
print(outliers)
```

---

# **Kesimpulan**  
Transformasi data merupakan langkah penting dalam analisis data, statistik, dan machine learning. Dengan menggunakan berbagai teknik yang tepat, kita dapat meningkatkan kualitas data sehingga analisis lebih akurat dan model bekerja lebih optimal. Selain itu, transformasi membantu dalam menangani tantangan seperti variabilitas data, distribusi yang tidak normal, dan keberadaan outlier yang dapat mempengaruhi hasil akhir. Oleh karena itu, pemahaman tentang teknik transformasi sangat diperlukan bagi siapa saja yang bekerja dengan data.


# **Referensi**


https://bookdown.org/dsciencelabs/data_science_programming/04-Data_Collection.html

https://www.statistikian.com/2013/01/transformasi-data.html

https://exsight.id/blog/2023/05/14/transformasi-data-part-1/

https://patrastatistika.com/transformasi-data/

https://www.revou.co/kosakata/data-transformation


