UTS Sains Data 2025

Soal text

Transkripsi dicocokkan dengan 3 halaman naskah asli.

Redaksi dirapikan untuk dibaca. Data, pilihan jawaban, dan subsoal mengikuti naskah; diagram dijelaskan dalam teks atau tabel.

UTS Sains Data 2024/2025

Kamis, 10 April 2025 · 08.00–09.40 WIB (100 menit) · Buku tertutup. Tuliskan NIM/nama di atas jawaban. Tulisan jelas; mandiri; kecurangan bernilai 0. Tidak meninggalkan ruangan.

1. Metodologi (15%)

Bedakan business understanding dan analytical approach. Jelaskan dua jenis analytical approach pada proyek sains data.

2. Pandas (20%)

# load file csv
df = pd.read_csv('drive/MyDrive/python/sains_data/data/GoSales.csv')

# menampilkan 10 elemen teratas
df.head()

Cuplikan dataframe:

index	Unnamed: 0	PRODUCT_LINE	GENDER	AGE	MARITAL_STATUS	PROFESSION
0	1	Personal Accessories	F	39.0	Married	Other
1	2	Mountaineering Equipment	F	39.0	Married	Other
2	3	Personal Accessories	F	56.0	Unspecified	Hospitality
3	4	Golf Equipment	M	45.0	Married	Retired
4	5	Golf Equipment	M	45.0	Married	Retired

Tuliskan Python pandas untuk: a. Semua kolom pelanggan laki-laki usia minimal20. b. PRODUCT_LINE pelanggan menikah dengan PROFESSION “Other”. c. Rata-rata usia pembeli PRODUCT_LINE “Personal Accessories”. d. Product line paling sering dibeli pelanggan usia minimal50.

3. Statistik data diabetes (25%)

ID	Jenis kelamin	Tahun lahir	Berat kg	Gula darah puasa mg/DL	Keparahan
102	L	1990	85	180	2
103	P	1968	79	140	1
104	L	1988	94	280	3
…	…	…	…	…	…
999	P	2001	68	160	2

a. Tentukan tiap atribut: Nominal/Ordinal/Interval/Rasio; Kualitatif/Kuantitatif; Diskret/Kontinu jika kuantitatif. b. Interpretasikan tabel berikut:

Keparahan	Kelamin	Rata-rata gula darah	Standar deviasi
3	L	265.78	9.56
3	P	310.23	34.39

c. Interpretasikan korelasi:

	Berat badan	Gula darah
Berat badan	0.000	0.328
Gula darah	0.328	0.000

4. Imputation (20%)

Bedakan statistical dan KNN imputation. Jelaskan langkah keduanya pada data:

Sampel	x1	x2	x3	x4	y
1	6	4	1	2	6
2	8	7	?	4	8
3	2	9	0	10	7
4	5	1	3	6	3

xi=fitur masukan i; y=target. Semua fitur/target pada rentang 0–10.

5. Outlier (20%)

Bedakan standard deviation dan interquartile method untuk deteksi outlier. Apa pengaruh hyperparameter cut-off jika diperkecil/diperbesar?

Lihat naskah asli ↗

1. Tahapan metodologi

Business understanding merumuskan masalah, tujuan, batasan, dan ukuran keberhasilan bisnis. Analytical approach menerjemahkannya menjadi bentuk analisis yang dapat diuji: misalnya klasifikasi untuk memprediksi pelanggan berhenti atau regresi untuk memprediksi permintaan numerik. Pilihan metode harus menjawab keputusan yang dibutuhkan dan tersedia label yang sesuai.

2. Pandas

# a
hasil_a = df.loc[(df['GENDER'] == 'M') & (df['AGE'] >= 20)]
# b
hasil_b = df.loc[(df['MARITAL_STATUS'] == 'Married') &
                 (df['PROFESSION'] == 'Other'), 'PRODUCT_LINE']
# c
hasil_c = df.loc[df['PRODUCT_LINE'] == 'Personal Accessories', 'AGE'].mean()
# d: mengembalikan semua modus bila seri
hasil_d = df.loc[df['AGE'] >= 50, 'PRODUCT_LINE'].mode()

Perhatikan nama kolom pada tabel adalah PROFESSION meskipun soal menulis PROFFESION.

3. Data pasien

Atribut	Skala	Jenis
ID	nominal	kualitatif/identifier
Jenis kelamin	nominal	kualitatif
Tahun lahir	interval	kuantitatif diskret dalam tahun tercatat
Berat badan	rasio	kuantitatif kontinu
Gula darah	rasio	kuantitatif kontinu
Tingkat keparahan	ordinal	kualitatif berurutan

Pada tingkat keparahan 3, rata-rata gula darah laki-laki 265,78 dengan SD 9,56 dan perempuan 310,23 dengan SD 34,39. Kelompok perempuan pada data ini mempunyai rata-rata dan penyebaran lebih besar; tanpa ukuran sampel dan desain tidak dapat disimpulkan signifikansi atau sebab. Korelasi 0,328 menunjukkan hubungan linear positif lemah–sedang, bukan sebab akibat. Diagonal matriks korelasi yang tercetak 0 adalah tidak lazim: korelasi suatu variabel dengan dirinya sendiri biasanya 1 bila variansnya tidak nol.

4. Imputasi

Statistical imputation mengisi dengan statistik kolom; KNN menggunakan nilai dari sampel yang fiturnya mirip. Missing adalah $x_3$ sampel 2. Mean $x_3$ teramati = $(1+0+3)/3=4/3$ ; median = 1.

Contoh KNN: gunakan k=2, jarak Euclidean pada fitur yang sama-sama teramati x1,x2,x4, tanpa target y untuk menghindari kebocoran. Jarak sampel 2 ke 1 = $\sqrt{17}$ , ke 3 = $\sqrt{76}$ , ke 4 = 7. Dua terdekat adalah 1 dan 4, nilai x3 1 dan 3, sehingga imputasi rata-rata 2. Pilihan k, pembobotan dan skala mengubah hasil; fit imputasi hanya pada train sebelum diterapkan ke data lain.

5. Outlier

Metode SD menandai nilai di luar $\mu\pm k\sigma$ ; ia sensitif pada nilai ekstrem dan lebih mudah diinterpretasikan untuk distribusi mendekati normal. IQR menandai di luar $Q_1-k\,IQR$ hingga $Q_3+k\,IQR$ dan lebih robust terhadap ekor ekstrem. Memperkecil k mempersempit batas sehingga lebih banyak titik ditandai; memperbesar k memperlebar batas sehingga lebih sedikit. Outlier adalah kandidat untuk diperiksa, bukan otomatis kesalahan.

Pembahasan ditulis independen oleh belajar.myudak, bukan kunci jawaban resmi. Soal asli tetap milik pengampu mata kuliah dan ditampilkan langsung dari arsip Google Drive.