1 Pengantar

Pada Praktikum 5, kita mempelajari hubungan antarpeubah melalui visualisasi, tabel, dan ukuran korelasi. Pertemuan ini melanjutkan alur tersebut dengan pertanyaan baru:

Dari seluruh peubah yang tersedia, peubah mana yang paling relevan untuk dipertahankan?

Proses memilih sebagian peubah yang relevan disebut seleksi peubah atau feature selection. Pada praktikum ini kita fokus pada metode filter, yaitu metode yang menilai setiap fitur menggunakan ukuran statistik sebelum model dibangun.

Sebelum memilih fitur, kenali target, tipe fitur, dan alasan pemilihannya.

2 Konsep Dasar Seleksi Peubah

Seleksi peubah adalah proses mempertahankan fitur yang relevan dan menyisihkan fitur yang kurang informatif untuk tujuan analisis tertentu.

Seleksi peubah dapat membantu:

mengurangi jumlah fitur;
menyederhanakan interpretasi;
mempercepat komputasi;
mengurangi risiko overfitting; dan
mengurangi kebutuhan pengumpulan data yang tidak penting.

Namun, fitur yang tidak terpilih oleh satu metode belum tentu sama sekali tidak berguna. Hasil seleksi selalu bergantung pada target, ukuran statistik, batas seleksi, dan konteks analisis.

2.1 Filter, wrapper, dan embedded

Metode	Cara kerja	Contoh
Filter	Menilai fitur menggunakan ukuran statistik sebelum model dilatih	Chi-square, ANOVA, korelasi, mutual information
Wrapper	Mencoba beberapa subset fitur dan membandingkan kinerja model	Forward selection, backward elimination, RFE
Embedded	Seleksi terjadi sebagai bagian dari proses pelatihan model	LASSO, decision tree, random forest

Pada praktikum ini kita hanya membahas metode filter.

2.2 Memilih metode berdasarkan tipe data

Tipe fitur	Tipe target	Metode yang dapat digunakan
Kategorik	Kategorik	Chi-square
Numerik	Kategorik	ANOVA F-test
Numerik	Numerik	Korelasi Pearson atau Spearman
Token/kata	Kategorik	Chi-square setelah teks dibentuk menjadi matriks fitur
Token/kata tanpa target	Tidak ada	Document Frequency
Teks yang ingin diberi bobot	Tidak ada	TF-IDF, kemudian threshold atau top-k

Jika tidak ada target: jangan memaksakan Chi-square, ANOVA, atau korelasi dengan target. Gunakan kriteria tanpa target, misalnya proporsi missing value, varians sangat rendah, fitur duplikat, korelasi antarprediktor, atau Document Frequency untuk data teks.

3 Persiapan Data

3.1 Package yang digunakan

Jalankan install.packages() hanya jika package belum pernah dipasang.

# install.packages(c(
#   "reshape2", "dplyr", "ggplot2", "tidytext", "knitr"
# ))

library(reshape2)
library(dplyr)
library(ggplot2)
library(tidytext)
library(knitr)

3.2 Dataset `tips`

Agar alurnya tetap terhubung dengan Praktikum 5, kita kembali menggunakan dataset tips. Pada praktikum ini, dataset tersebut digunakan untuk memahami cara memilih fitur.

data("tips", package = "reshape2")

tips <- tips %>%
  mutate(
    across(c(sex, smoker, day, time), as.factor)
  )

str(tips)

## 'data.frame':    244 obs. of  7 variables:
##  $ total_bill: num  17 10.3 21 23.7 24.6 ...
##  $ tip       : num  1.01 1.66 3.5 3.31 3.61 4.71 2 3.12 1.96 3.23 ...
##  $ sex       : Factor w/ 2 levels "Female","Male": 1 2 2 2 1 2 2 2 2 2 ...
##  $ smoker    : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 1 1 ...
##  $ day       : Factor w/ 4 levels "Fri","Sat","Sun",..: 3 3 3 3 3 3 3 3 3 3 ...
##  $ time      : Factor w/ 2 levels "Dinner","Lunch": 1 1 1 1 1 1 1 1 1 1 ...
##  $ size      : int  2 3 3 2 4 4 2 4 2 2 ...

ringkasan_tips <- data.frame(
  Peubah = names(tips),
  Tipe = sapply(tips, function(x) class(x)[1]),
  Keterangan = c(
    "Total tagihan restoran",
    "Tip yang diberikan",
    "Jenis kelamin pembayar",
    "Status perokok",
    "Hari kunjungan",
    "Waktu makan",
    "Jumlah orang dalam grup"
  )
)

kable(ringkasan_tips, align = c("l", "l", "l"))

	Peubah	Tipe	Keterangan
total_bill	total_bill	numeric	Total tagihan restoran
tip	tip	numeric	Tip yang diberikan
sex	sex	factor	Jenis kelamin pembayar
smoker	smoker	factor	Status perokok
day	day	factor	Hari kunjungan
time	time	factor	Waktu makan
size	size	integer	Jumlah orang dalam grup

Pada contoh Chi-square dan ANOVA, time digunakan sebagai target kategorik. Pada contoh korelasi, tip digunakan sebagai target numerik.

⚠️ Pada praktikum ini seluruh data digunakan agar hasil eksplorasi mudah dibandingkan. Jika seleksi fitur dilakukan untuk membangun dan mengevaluasi model prediksi, tentukan fitur menggunakan data training saja untuk mencegah data leakage.

4 Chi-square: Fitur Kategorik dan Target Kategorik

Uji Chi-square digunakan untuk memeriksa apakah dua peubah kategorik saling berasosiasi.

Untuk setiap fitur, hipotesisnya adalah:

$H_0$: fitur dan target saling independen atau tidak berasosiasi;
$H_1$: fitur dan target berasosiasi.

Kita akan menilai apakah sex, smoker, dan day berkaitan dengan target time.

4.1 Menghitung Chi-square untuk satu fitur

tabel_sex_time <- table(tips$sex, tips$time)
tabel_sex_time

##         
##          Dinner Lunch
##   Female     52    35
##   Male      124    33

uji_sex_time <- chisq.test(tabel_sex_time)
uji_sex_time

## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  tabel_sex_time
## X-squared = 9.3438, df = 1, p-value = 0.002237

Cara membaca output:

lihat nilai p-value;
jika p-value < 0.05, terdapat bukti statistik adanya asosiasi;
periksa pula frekuensi harapan pada uji_sex_time$expected.

Jika ada frekuensi harapan yang kecil (pedoman umum: kurang dari 5), pendekatan p-value Chi-square biasa perlu ditinjau. Pada tabel yang cukup besar, R dapat menghitung p-value melalui simulasi Monte Carlo.

4.2 Memberi peringkat seluruh fitur kategorik

P-value membantu menilai bukti statistik, tetapi tidak menunjukkan besar asosiasi. Karena itu, kita tambahkan Cramer’s V sebagai ukuran kekuatan asosiasi.

fitur_kategorik <- c("sex", "smoker", "day")
set.seed(1381)  # membuat hasil simulasi dapat diulang

hasil_chi <- lapply(fitur_kategorik, function(fitur) {
  tabel <- table(tips[[fitur]], tips$time)
  harapan <- outer(rowSums(tabel), colSums(tabel)) / sum(tabel)
  perlu_simulasi <- any(harapan < 5)
  uji <- chisq.test(
    tabel,
    simulate.p.value = perlu_simulasi,
    B = 10000
  )

  chi_square <- unname(uji$statistic)
  n <- sum(tabel)
  cramers_v <- sqrt(
    chi_square / (n * (min(dim(tabel)) - 1))
  )

  data.frame(
    fitur = fitur,
    chi_square = chi_square,
    p_value = uji$p.value,
    cramers_v = cramers_v,
    frekuensi_harapan_minimum = min(uji$expected),
    metode_p_value = if (perlu_simulasi) "Simulasi" else "Asimtotik"
  )
}) %>%
  bind_rows() %>%
  mutate(
    p_adjusted = p.adjust(p_value, method = "BH"),
    keputusan = if_else(
      p_adjusted < 0.05,
      "Dipertimbangkan",
      "Belum terpilih"
    )
  ) %>%
  arrange(p_value)

kable(hasil_chi, digits = 4)

fitur	chi_square	p_value	cramers_v	frekuensi_harapan_minimum	metode_p_value	p_adjusted	keputusan
day	217.1127	0.0000	0.9433	5.2951	Asimtotik	0.0000	Dipertimbangkan
sex	9.3438	0.0022	0.1957	24.2459	Asimtotik	0.0034	Dipertimbangkan
smoker	0.5054	0.4771	0.0455	25.9180	Asimtotik	0.4771	Belum terpilih

ggplot(
  hasil_chi,
  aes(x = reorder(fitur, cramers_v), y = cramers_v)
) +
  geom_col(fill = "#E67E22", width = 0.65) +
  coord_flip() +
  labs(
    title = "Kekuatan Asosiasi Fitur Kategorik dengan Waktu Makan",
    x = "Fitur",
    y = "Cramer's V"
  ) +
  theme_minimal()

Interpretasi hasil (kriteria p-value yang sudah dikoreksi dengan Benjamini–Hochberg):

day memiliki asosiasi paling kuat dengan time;
sex juga menunjukkan asosiasi secara statistik, tetapi kekuatannya jauh lebih kecil;
smoker tidak memenuhi kriteria p-value < 0.05 pada data ini.

Hasil tersebut masuk akal dalam konteks dataset karena sebagian besar observasi makan siang terjadi pada Thursday dan Friday, sedangkan Saturday dan Sunday didominasi makan malam. Hubungan ini menggambarkan struktur data, bukan hubungan sebab-akibat.

Untuk day, perhatikan kolom metode_p_value: ada sel tabel dengan frekuensi harapan kecil, sehingga p-value dihitung lewat simulasi. P-value simulasi dapat sedikit berubah bila jumlah simulasi atau seed diubah. Statistik Chi-square dan Cramer’s V tetap dihitung dari tabel asli.

Latihan 1: ubah target menjadi smoker. Gunakan sex, day, dan time sebagai kandidat fitur. Fitur mana yang terpilih pada taraf 5%?

5 ANOVA: Fitur Numerik dan Target Kategorik

ANOVA F-test digunakan ketika fitur berbentuk numerik dan target berbentuk kategorik. Metode ini memeriksa apakah rata-rata suatu fitur berbeda antar kelas target.

Hipotesis untuk setiap fitur adalah:

$H_0$: rata-rata fitur sama pada seluruh kelas target;
$H_1$: setidaknya ada satu rata-rata yang berbeda.

Kandidat fitur numerik yang digunakan adalah total_bill, tip, dan size, sedangkan targetnya adalah time.

5.1 Menghitung ANOVA untuk seluruh fitur

fitur_numerik <- c("total_bill", "tip", "size")

hasil_anova <- lapply(fitur_numerik, function(fitur) {
  formula_uji <- as.formula(paste(fitur, "~ time"))
  tabel_anova <- summary(aov(formula_uji, data = tips))[[1]]

  data.frame(
    fitur = fitur,
    f_value = tabel_anova[1, "F value"],
    p_value = tabel_anova[1, "Pr(>F)"]
  )
}) %>%
  bind_rows() %>%
  mutate(
    p_adjusted = p.adjust(p_value, method = "BH"),
    keputusan = if_else(
      p_adjusted < 0.05,
      "Dipertimbangkan",
      "Belum terpilih"
    )
  ) %>%
  arrange(p_value)

kable(hasil_anova, digits = 4)

fitur	f_value	p_value	p_adjusted	keputusan
total_bill	8.3963	0.0041	0.0123	Dipertimbangkan
tip	3.6338	0.0578	0.0867	Belum terpilih
size	2.6159	0.1071	0.1071	Belum terpilih

5.2 Membandingkan rata-rata antar kelas

rata_rata_time <- tips %>%
  group_by(time) %>%
  summarise(
    across(
      all_of(fitur_numerik),
      ~ mean(.x, na.rm = TRUE)
    ),
    .groups = "drop"
  )

kable(rata_rata_time, digits = 3)

time	total_bill	tip	size
Dinner	20.797	3.103	2.631
Lunch	17.169	2.728	2.412

ggplot(
  hasil_anova,
  aes(x = reorder(fitur, -log10(p_adjusted)), y = -log10(p_adjusted))
) +
  geom_col(fill = "#294B67", width = 0.65) +
  geom_hline(
    yintercept = -log10(0.05),
    linetype = "dashed",
    color = "#E67E22"
  ) +
  coord_flip() +
  labs(
    title = "Peringkat Fitur Berdasarkan ANOVA",
    subtitle = "Garis putus-putus: batas p-value terkoreksi = 0.05",
    x = "Fitur",
    y = "-log10(p-value)"
  ) +
  theme_minimal()

Interpretasi hasil (p-value yang sudah dikoreksi):

total_bill memenuhi kriteria p-value < 0.05;
tip memiliki p-value sekitar 0,058 sehingga belum memenuhi batas 0,05;
size juga belum memenuhi batas 0,05.

P-value yang sedikit lebih besar daripada 0,05 tidak berarti hubungan pasti tidak ada. Kesimpulan yang tepat adalah bukti pada data ini belum cukup untuk memenuhi kriteria seleksi yang ditetapkan. ANOVA membandingkan rata-rata antarkelompok; variance threshold menyaring fitur yang variasinya kecil tanpa memakai target. Keduanya berbeda, meski sama-sama melibatkan gagasan variasi.

ANOVA mengasumsikan observasi independen, galat yang kurang lebih normal, dan variasi antarkelompok yang sebanding. Pada data nyata, periksa distribusi dan pencilan sebelum menarik kesimpulan kuat.

Latihan 2: ganti target menjadi smoker. Bandingkan hasil ANOVA untuk total_bill, tip, dan size. Apakah hasil seleksinya sama?

6 Korelasi: Fitur Numerik dan Target Numerik

Jika fitur dan target sama-sama numerik, korelasi dapat digunakan untuk memberi peringkat fitur berdasarkan arah dan kekuatan hubungannya dengan target.

Pada contoh ini:

target: tip;
kandidat fitur: total_bill dan size.

Kita menggunakan korelasi Pearson karena fokusnya adalah hubungan linear.

6.1 Menghitung korelasi setiap fitur dengan target

target_numerik <- "tip"
fitur_korelasi <- c("total_bill", "size")

hasil_korelasi <- lapply(fitur_korelasi, function(fitur) {
  uji <- cor.test(
    tips[[fitur]],
    tips[[target_numerik]],
    method = "pearson"
  )

  data.frame(
    fitur = fitur,
    korelasi = unname(uji$estimate),
    p_value = uji$p.value
  )
}) %>%
  bind_rows() %>%
  mutate(
    absolut_korelasi = abs(korelasi),
    keputusan = if_else(
      absolut_korelasi >= 0.30 & p_value < 0.05,
      "Dipertimbangkan",
      "Belum terpilih"
    )
  ) %>%
  arrange(desc(absolut_korelasi))

kable(hasil_korelasi, digits = 4)

fitur	korelasi	p_value	absolut_korelasi	keputusan
total_bill	0.6757	0	0.6757	Dipertimbangkan
size	0.4893	0	0.4893	Dipertimbangkan

ggplot(
  hasil_korelasi,
  aes(x = reorder(fitur, absolut_korelasi), y = absolut_korelasi)
) +
  geom_col(fill = "#E67E22", width = 0.65) +
  geom_hline(
    yintercept = 0.30,
    linetype = "dashed",
    color = "#294B67"
  ) +
  coord_flip() +
  labs(
    title = "Korelasi Kandidat Fitur dengan Tip",
    subtitle = "Batas |r| ≥ 0.30 hanya digunakan sebagai contoh kriteria",
    x = "Fitur",
    y = "Nilai absolut korelasi"
  ) +
  theme_minimal()

Interpretasi hasil:

korelasi total_bill dengan tip sekitar 0,676;
korelasi size dengan tip sekitar 0,489;
keduanya memenuhi contoh kriteria $|r| \geq 0.30$ dan p-value < 0.05.

Nilai absolut digunakan untuk pemeringkatan karena korelasi positif dan negatif sama-sama dapat informatif. Tanda positif atau negatif tetap harus dipertahankan ketika menginterpretasikan arah hubungan.

⚠️ Tidak ada batas korelasi yang berlaku universal. Batas 0,30 pada contoh ini merupakan kriteria pembelajaran dan harus disesuaikan dengan bidang kajian serta tujuan analisis.

Latihan 3: gunakan korelasi Spearman pada pasangan fitur yang sama. Apakah urutan fitur berubah?

7 Filtering pada Data Teks

Data hasil scraping sering memiliki satu kolom teks yang kemudian diubah menjadi ratusan atau ribuan token. Tidak semua token perlu dipertahankan.

Pada bagian ini kita menggunakan dua pendekatan:

Document Frequency (DF) untuk menghapus kata yang terlalu jarang atau terlalu umum;
TF-IDF untuk memberi bobot pada kata, lalu memilih kata dengan skor tertinggi.

7.1 Menyiapkan data teks

ulasan <- data.frame(
  id = 1:8,
  teks = c(
    "pengiriman cepat dan layanan pelanggan sangat baik",
    "layanan pelanggan buruk dan respon sangat lambat",
    "barang bagus tetapi pengiriman sangat lambat",
    "sangat puas dengan pengiriman dan layanan",
    "harga murah tetapi kualitas barang kurang baik",
    "kualitas barang baik dan harga cukup murah",
    "respon pelanggan cepat dan layanan sangat ramah",
    "pengiriman lambat tetapi kualitas barang bagus"
  ),
  stringsAsFactors = FALSE
)

ulasan

7.2 Tokenisasi dan stop words sederhana

stop_id <- c(
  "dan", "yang", "di", "ke", "dari", "dengan",
  "sangat", "untuk", "ini", "itu", "saya",
  "tetapi", "cukup"
)

token <- ulasan %>%
  unnest_tokens(kata, teks) %>%
  filter(!kata %in% stop_id)

head(token, 12)

7.3 Document Frequency

Document Frequency menghitung jumlah dokumen yang memuat sebuah kata. Pada contoh ini kita mempertahankan kata yang:

muncul pada minimal 2 dokumen; dan
tidak muncul pada lebih dari 75% dokumen.

n_dokumen <- nrow(ulasan)

hasil_df <- token %>%
  distinct(id, kata) %>%
  count(kata, name = "document_frequency") %>%
  mutate(
    proporsi_dokumen = document_frequency / n_dokumen,
    keputusan = if_else(
      document_frequency >= 2 & proporsi_dokumen <= 0.75,
      "Dipertahankan",
      "Dihapus"
    )
  ) %>%
  arrange(desc(document_frequency), kata)

kable(hasil_df, digits = 3)

kata	document_frequency	proporsi_dokumen	keputusan
barang	4	0.500	Dipertahankan
layanan	4	0.500	Dipertahankan
pengiriman	4	0.500	Dipertahankan
baik	3	0.375	Dipertahankan
kualitas	3	0.375	Dipertahankan
lambat	3	0.375	Dipertahankan
pelanggan	3	0.375	Dipertahankan
bagus	2	0.250	Dipertahankan
cepat	2	0.250	Dipertahankan
harga	2	0.250	Dipertahankan
murah	2	0.250	Dipertahankan
respon	2	0.250	Dipertahankan
buruk	1	0.125	Dihapus
kurang	1	0.125	Dihapus
puas	1	0.125	Dihapus
ramah	1	0.125	Dihapus

hasil_df %>%
  filter(keputusan == "Dipertahankan") %>%
  ggplot(
    aes(
      x = reorder(kata, document_frequency),
      y = document_frequency
    )
  ) +
  geom_col(fill = "#294B67", width = 0.7) +
  coord_flip() +
  labs(
    title = "Kata yang Lolos Document Frequency Filtering",
    x = "Kata",
    y = "Jumlah dokumen"
  ) +
  theme_minimal()

DF Filtering bersifat hard filtering karena kata yang tidak memenuhi batas benar-benar dikeluarkan dari kumpulan fitur.

7.4 TF-IDF

TF-IDF memberikan bobot tinggi pada kata yang relatif penting dalam suatu dokumen, tetapi tidak terlalu umum di seluruh dokumen.

hasil_tfidf <- token %>%
  count(id, kata, name = "n") %>%
  ungroup() %>%
  bind_tf_idf(kata, id, n)

top_tfidf <- hasil_tfidf %>%
  group_by(id) %>%
  slice_max(tf_idf, n = 3, with_ties = FALSE) %>%
  ungroup()

kable(top_tfidf, digits = 4)

id	kata	n	tf	idf	tf_idf
1	cepat	1	0.2000	1.3863	0.2773
1	baik	1	0.2000	0.9808	0.1962
1	pelanggan	1	0.2000	0.9808	0.1962
2	buruk	1	0.2000	2.0794	0.4159
2	respon	1	0.2000	1.3863	0.2773
2	lambat	1	0.2000	0.9808	0.1962
3	bagus	1	0.2500	1.3863	0.3466
3	lambat	1	0.2500	0.9808	0.2452
3	barang	1	0.2500	0.6931	0.1733
4	puas	1	0.3333	2.0794	0.6931
4	layanan	1	0.3333	0.6931	0.2310
4	pengiriman	1	0.3333	0.6931	0.2310
5	kurang	1	0.1667	2.0794	0.3466
5	harga	1	0.1667	1.3863	0.2310
5	murah	1	0.1667	1.3863	0.2310
6	harga	1	0.2000	1.3863	0.2773
6	murah	1	0.2000	1.3863	0.2773
6	baik	1	0.2000	0.9808	0.1962
7	ramah	1	0.2000	2.0794	0.4159
7	cepat	1	0.2000	1.3863	0.2773
7	respon	1	0.2000	1.3863	0.2773
8	bagus	1	0.2000	1.3863	0.2773
8	kualitas	1	0.2000	0.9808	0.1962
8	lambat	1	0.2000	0.9808	0.1962

ggplot(
  top_tfidf,
  aes(
    x = tf_idf,
    y = reorder_within(kata, tf_idf, id),
    fill = factor(id)
  )
) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ id, scales = "free_y") +
  scale_y_reordered() +
  labs(
    title = "Tiga Kata dengan TF-IDF Tertinggi pada Setiap Dokumen",
    x = "TF-IDF",
    y = "Kata"
  ) +
  theme_minimal()

TF-IDF pada dasarnya merupakan pembobotan, bukan penghapusan fitur. Seleksi terjadi ketika kita menerapkan batas skor atau memilih sejumlah fitur dengan skor tertinggi, seperti top-3 pada contoh.

Latihan 4: ubah batas minimum DF dari 2 menjadi 3. Kata apa saja yang masih dipertahankan? Jelaskan mengapa jumlah fiturnya berkurang.

8 Hal Penting Sebelum Menentukan Fitur

8.1 P-value bukan besar pengaruh

P-value kecil memberikan bukti adanya hubungan, tetapi tidak otomatis menunjukkan bahwa hubungannya kuat atau penting secara praktis. Karena itu:

pada Chi-square, periksa juga Cramer’s V;
pada korelasi, periksa nilai koefisien dan arahnya;
pada ANOVA, bandingkan rata-rata dan distribusi antar kelas.

8.2 Filter menilai fitur satu per satu

Metode filter univariat dapat melewatkan dua fitur yang lemah secara individual tetapi berguna ketika digunakan bersama. Hasil filter sebaiknya menjadi tahap awal, bukan satu-satunya dasar keputusan.

8.3 Perhatikan banyaknya pengujian

Jika ratusan fitur diuji sekaligus, beberapa p-value kecil dapat muncul hanya karena kebetulan. Salah satu pilihan sederhana adalah koreksi Benjamini-Hochberg melalui:

p.adjust(daftar_p_value, method = "BH")

8.4 Hindari data leakage

Jika tujuan akhirnya adalah prediksi, pemilihan fitur dilakukan pada data training. Fitur terpilih kemudian diterapkan tanpa dihitung ulang pada data testing.

set.seed(1381)

indeks_train <- sample(
  seq_len(nrow(data)),
  size = floor(0.80 * nrow(data))
)

data_train <- data[indeks_train, ]
data_test  <- data[-indeks_train, ]

# Hitung kriteria seleksi hanya menggunakan data_train.

9 Aktivitas Proyek Kelompok

Pada Pertemuan 6, aktivitas ini langsung digunakan untuk melanjutkan infografis proyek kelompok. Tidak ada tugas terpisah.

9.1 Langkah kerja kelompok

Buka dataset hasil scraping yang sudah dibersihkan.
Tentukan apakah analisis memiliki target yang jelas.
Identifikasi tipe setiap kandidat fitur.
Pilih satu metode filter yang sesuai, tidak perlu memaksakan semua metode.
Tentukan kriteria seleksi, misalnya p-value terkoreksi < 0,05, top-k, minimum DF, atau batas missing value.
Bandingkan jumlah fitur sebelum dan sesudah filtering.
Pilih satu tabel atau grafik ringkas untuk infografis.
Tulis alasan mempertahankan dan menghapus fitur dengan bahasa sederhana.

9.2 Template kode data kelompok

Ganti nama file, target, dan daftar fitur sesuai data masing-masing.

data_kelompok <- read.csv("data_kelompok.csv")

dim(data_kelompok)
names(data_kelompok)
str(data_kelompok)

Template Chi-square

target <- "sentimen"
fitur_kategorik <- c("platform", "kategori")

hasil <- lapply(fitur_kategorik, function(fitur) {
  tab <- table(data_kelompok[[fitur]], data_kelompok[[target]])
  uji <- chisq.test(tab)

  data.frame(
    fitur = fitur,
    p_value = uji$p.value
  )
}) %>%
  bind_rows() %>%
  arrange(p_value)

hasil

Template korelasi

target <- "engagement"
fitur_numerik <- c("jumlah_like", "jumlah_komentar", "jumlah_kata")

hasil <- lapply(fitur_numerik, function(fitur) {
  uji <- cor.test(
    data_kelompok[[fitur]],
    data_kelompok[[target]],
    method = "spearman",
    exact = FALSE
  )

  data.frame(
    fitur = fitur,
    korelasi = unname(uji$estimate),
    p_value = uji$p.value
  )
}) %>%
  bind_rows() %>%
  arrange(desc(abs(korelasi)))

hasil

9.3 Isi minimal pada infografis

Bagian	Informasi yang dicantumkan
Tujuan seleksi	Fitur apa yang ingin dipilih dan untuk tujuan apa
Metode	Chi-square, ANOVA, korelasi, DF, atau metode lain yang relevan
Kriteria	Batas p-value, top-k, threshold, atau minimum DF
Hasil	Fitur yang dipertahankan dan dihapus
Visual	Satu tabel atau grafik hasil pemeringkatan
Kesimpulan	Alasan singkat pemilihan fitur

Diskusi kelas: Metode filtering apa yang paling sesuai untuk data kelompok kalian? Jelaskan kaitannya dengan tipe fitur dan tujuan analisis.

10 Ringkasan Praktikum

Alur berpikir seleksi peubah dapat diringkas sebagai berikut:

tentukan tujuan analisis dan target;
kenali tipe kandidat fitur;
pilih metode filter yang sesuai;
tentukan kriteria seleksi;
periksa skor, p-value, dan ukuran kekuatan hubungan;
pertahankan fitur yang relevan; dan
jelaskan hasil sesuai konteks data.

Kondisi	Metode utama
Kategorik dengan target kategorik	Chi-square
Numerik dengan target kategorik	ANOVA
Numerik dengan target numerik	Korelasi
Teks tanpa target	Document Frequency
Pembobotan kata	TF-IDF dilanjutkan threshold atau top-k

Seleksi fitur membantu menyederhanakan data, tetapi keputusan akhir tidak boleh hanya bergantung pada satu angka. Gunakan pengetahuan konteks, kualitas data, dan tujuan analisis sebagai pertimbangan utama.

11 Referensi

Materi Kuliah 6 STA1381: Seleksi Peubah — Metode Filter.
Dokumentasi R untuk chisq.test(), aov(), cor.test(), dan p.adjust().
Silge, J., & Robinson, D. (2017). Text Mining with R: A Tidy Approach.

Modul Praktikum 6

Seleksi Peubah dengan Metode Filter — STA1381 Pengantar Sains Data

Asisten Praktikum: Arnedi Rizki Adidharma

1 Pengantar

2 Konsep Dasar Seleksi Peubah

2.1 Filter, wrapper, dan embedded

2.2 Memilih metode berdasarkan tipe data

3 Persiapan Data

3.1 Package yang digunakan

3.2 Dataset `tips`

4 Chi-square: Fitur Kategorik dan Target Kategorik

4.1 Menghitung Chi-square untuk satu fitur

4.2 Memberi peringkat seluruh fitur kategorik

5 ANOVA: Fitur Numerik dan Target Kategorik

5.1 Menghitung ANOVA untuk seluruh fitur

5.2 Membandingkan rata-rata antar kelas

6 Korelasi: Fitur Numerik dan Target Numerik

6.1 Menghitung korelasi setiap fitur dengan target

7 Filtering pada Data Teks

7.1 Menyiapkan data teks

7.2 Tokenisasi dan stop words sederhana

7.3 Document Frequency

7.4 TF-IDF

8 Hal Penting Sebelum Menentukan Fitur

8.1 P-value bukan besar pengaruh

8.2 Filter menilai fitur satu per satu

8.3 Perhatikan banyaknya pengujian

8.4 Hindari data leakage

9 Aktivitas Proyek Kelompok

9.1 Langkah kerja kelompok

9.2 Template kode data kelompok

Template Chi-square

Template korelasi

9.3 Isi minimal pada infografis

10 Ringkasan Praktikum

11 Referensi

Modul Praktikum 6

Seleksi Peubah dengan Metode Filter — STA1381 Pengantar Sains Data

Asisten Praktikum: Arnedi Rizki Adidharma

1 Pengantar

2 Konsep Dasar Seleksi Peubah

2.1 Filter, wrapper, dan embedded

2.2 Memilih metode berdasarkan tipe data

3 Persiapan Data

3.1 Package yang digunakan

3.2 Dataset tips

4 Chi-square: Fitur Kategorik dan Target Kategorik

4.1 Menghitung Chi-square untuk satu fitur

4.2 Memberi peringkat seluruh fitur kategorik

5 ANOVA: Fitur Numerik dan Target Kategorik

5.1 Menghitung ANOVA untuk seluruh fitur

5.2 Membandingkan rata-rata antar kelas

6 Korelasi: Fitur Numerik dan Target Numerik

6.1 Menghitung korelasi setiap fitur dengan target

7 Filtering pada Data Teks

7.1 Menyiapkan data teks

7.2 Tokenisasi dan stop words sederhana

7.3 Document Frequency

7.4 TF-IDF

8 Hal Penting Sebelum Menentukan Fitur

8.1 P-value bukan besar pengaruh

8.2 Filter menilai fitur satu per satu

8.3 Perhatikan banyaknya pengujian

8.4 Hindari data leakage

9 Aktivitas Proyek Kelompok

9.1 Langkah kerja kelompok

9.2 Template kode data kelompok

Template Chi-square

Template korelasi

9.3 Isi minimal pada infografis

10 Ringkasan Praktikum

11 Referensi

3.2 Dataset `tips`