Apabila Anda ingin berkecimpung di dalam dunia analisis Big Data, dibutuhkan pengetahuan serta pemahaman mengenai istilah penting, contohnya seperti data preprocessing. Data preprocessing merupakan sebuah proses kerja yang biasa digunakan oleh perusahaan dengan jumlah data yang besar. Proses tersebut sangat dibutuhkan agar data perusahaan bisa diolah serta disaring dengan baik.
 

Apa itu  Data Preprocessing?

Mengutip dari laman Geeks for Geeks, data preprocessing adalah sebuah teknik yang digunakan untuk mengubah data mentah ke dalam format yang lebih berguna serta efisien. Inisiatif tersebut diperlukan karena data mentah seringkali tidak lengkap dan mempunyai format yang tidak konsisten. 
Kualitas dari data sendiri mempunyai korelasi langsung dengan keberhasilan pada setiap proyek yang melibatkan analisis data. Preprocessing melibatkan validasi serta imputasi data.  Tujuan dari validasi sendiri adalah untuk menilai tingkat kelengkapan serta akurasi data yang tersaring. 

Di samping itu, tujuan dari imputasi adalah untuk memperbaiki kesalahan serta  memasukkan nilai yang hilang,  baik secara manual maupun otomatis dengan  melalui program business process automation (BPA). Data preprocessing umumnya digunakan pada aplikasi rule-based serta yang berbasis database.  Dalam machine learning, kegiatan tersebut sangat penting untuk memastikan bahwa big data telah diformat serta informasi yang dikandungnya bisa ditafsirkan dan algoritma perusahaan.
 

Memahami Fitur Data Machine Learning

Kumpulan data bisa dijelaskan dengan maupun dikomunikasikan sebagai "fitur" yang membentuknya. Hal tersebut dapat berdasarkan dengan ukuran, lokasi, usia, waktu, warna, dan lain sebagainya. Fitur muncul sebagai kolom dalam kumpulan data serta juga dikenal sebagai atribut, variabel, bidang, dan karakteristik. Wikipedia menggambarkan fitur data machine learning sebagai "properti terukur individu maupun karakteristik dari fenomena yang diamati".

Penting untuk memahami mengenai apa itu "fitur" pada saat melakukan data preprocessing, karena kita harus memilih mana yang menjadi fokus bergantung pada apa tujuan bisnis kita. Mari kita bahas dua jenis fitur berbeda yang digunakan untuk mendeskripsikan data, yakni kategorikal dan numerik:

1. Fitur kategoris
Fitur yang penjelasan atau nilainya diambil dari serangkaian kemungkinan penjelasan atau nilai yang telah ditentukan. Nilai kategoris dapat berupa warna rumah; jenis hewan; bulan dalam setahun; Benar salah; positif, negatif, netral, serta masih banyak lagi. Kumpulan kemungkinan kategori yang bisa ditampung oleh fitur tersebut sudah ditentukan sebelumnya.

2. Fitur numerik
Fitur dengan nilai yang berkelanjutan pada skala, statistik, maupun berkaitan dengan bilangan bulat. Nilai numerik diwakili oleh bilangan bulat, pecahan, atau persentase. Fitur numerik bisa berupa harga rumah, jumlah kata dalam dokumen, waktu yang diperlukan untuk bepergian ke suatu tempat, dan lain sebagainya.
 

Mengapa Data Preprocessing Itu Penting?

Dataset yang real time dan didapatkan dari dunia nyata umumnya berantakan. Dapat terjadi karena nilainya yang tidak lengkap, terdapat  kesalahan input, atau mempunyai duplikat satu sama lain. Kondisi data yang berantakan seperti itu mungkin saja bisa diidentifikasi dengan baik oleh manusia, akan tetapi apabila untuk melatih machine learning serta  kecerdasan buatan, kondisi data yang berantakan bisa membuat hasil yang tidak maksimal.
 
Machine learning dan kecerdasan buatan bekerja sangat optimal pada saat data yang disajikan relevan dengan algoritma yang telah dirancang. Data preprocessing, yang termasuk ke dalam data wrangling, transformasi data, data reduction, feature selection, serta data scaling, membantu restrukturisasi data mentah menjadi bentuk data yang sesuai dengan algoritma. Dengan demikian, akan mengurangi daya pemrosesan serta waktu yang diperlukan untuk melatih machine learning dan kecerdasan buatan.
 
Oleh karena itu, dalam data analysis, data science, maupun pengembangan kecerdasan buatan memerlukan data preprocessing. Tujuannya yaitu tidak lain, supaya model yang nantinya dihasilkan bisa optimal dan bisa memberikan insight untuk kebutuhan bisnis.
 

Langkah-langkah Dalam Data Preprocessing

Setelah kita mengetahui mengenai apa itu data preprocessing , terdapat beberapa langkah yang kita perlu lakukan pada saat akan melakukan data preprocessing. Dibawah ini merupakan beberapa tahapannya:

1. Data Cleaning
Tahap pertama yang perlu kita lakukan pada saat akan preprocessing data yaitu data cleaning atau membersihkan data. Yang artinya, data mentah yang sudah kita peroleh perlu diseleksi kembali. Setelah itu, hapus atau hilangkan data-data yang tidak lengkap, tidak relevan, serta tidak akurat. Dengan melakukan tahap tersebut, kita akan menghindari kesalahpahaman pada saat menganalisis data tersebut.

Terdapat dua hal yang harus kita perhatikan pada saat melakukan data cleaning, yaitu pastikan data-data yang dikumpulkan tidak lagi mengandung data dengan missing values. Kemudian, kita juga harus memastikan bahwa data-data tersebut seluruhnya diperlukan pada saat proses analisis data. Dengan demikian, data yang kita kumpulkan sudah disesuaikan dan tidak akan mubazir.

2. Data Integration
Karena data preprocessing akan menggabungkan beberapa data dalam suatu dataset, sehingga kita harus mengecek data-data yang datang dari berbagai sumber tersebut agar mempunyai format yang sama. Proses tersebut merupakan menjadi salah satu langkah penting di dalam proses ini.

Beberapa permasalahan dapat muncul pada saat melakukan data integration. Contoh misalnya, kita ingin menggabungkan data dari beberapa sumber. kita harus mengetahui bahwa data pada sumber pertama dimiliki oleh si A, dan data pada sumber kedua juga terkait dengan si A. Kelihatannya memang seperti hal yang mudah, padahal dua sumber tersebut mempunyai format yang berbeda. hal Itulah yang membuat data integration sedikit lebih rumit.

3. Transformasi Data
Proses selanjutnya yang harus dilakukan adalah transformasi data. Seperti yang sudah dijelaskan di atas, data akan diambil dari berbagai sumber yang kemungkinan mempunyai perbedaan format. Kita harus menyamakan seluruh data yang terkumpul agar bisa mempermudah dalam proses analisis data.

Misalnya, pada saat kita akan mengambil data karyawan pada sumber pertama yang menggunakan format DD/MM/YYYY. Setelah itu, pada sumber berikutnya, data karyawan menggunakan format MM/DD/YYYY. Ketika akan mengumpulkan data, keduanya tentu saja perlu diubah serta diseragamkan dalam satu format yang sama.

4. Mengurangi Data
Tahap terakhir yang perlu dilakukan adalah dengan mengurangi jumlah data (data reduction). Artinya adalah kita harus mengurangi sampel data yang diambil, akan tetapi dengan catatan, tidak akan mengubah hasil analisis data. Terdapat tiga teknik yang dapat diterapkan pada saat melakukan pengurangan data, yaitu dimensionality reduction (pengurangan dimensi), numerosity reduction (pengurangan jumlah), serta data compression (kompresi data). Ketiga teknik tersebut dapat disesuaikan dengan kebutuhan; apakah data yang diolah besar, sedang, atau bahkan perlu dikompresi dan akan berisiko merugikan.
 

Masalah Umum Dalam Tahap Preprocessing

Terdapat 3 masalah umum yang perlu diselesaikan dalam tahap preprocessing yaitu  menangani missing value, data noise, serta data yang tidak konsisten.

1. Missing value
Missing value adalah data yang tidak akurat karena adanya informasi yang hilang yang menyebabkan informasi yang ada di dalamnya tidak relevan. Missing value sering terjadi pada saat terjadi masalah dalam proses pengumpulan, misalnya seperti kesalahan dalam entry data maupun masalah dalam penggunaan biometrik. 

2. Data noise
Data noise yakni berisi data yang salah serta pencilan yang bisa ditemukan di kumpulan data. Pencilan dan data salah tersebut berisi informasi yang tidak berarti. Beberapa penyebab adanya data noise adalah karena kesalahan manusia yang berupa kesalahan pemberian label serta masalah lain selama pengumpulan data. 

3. Data yang tidak konsisten
Inkonsisten data terjadi pada saat seseorang menyimpan file yang berisi data yang sama dengan format yang berbeda-beda. Beberapa inkonsisten data yakni duplikasi dalam format yang berbeda, kesalahan pada kode nama, dan lain sebagainya.
 

Manfaat Data Preprocessing

Setelah kita mengetahui definisi dari  data preprocessing, jelas bahwa data preprocessing merupakan sebuah proses kerja yang sangat penting. Selain untuk memperlancar proses data mining, langkah tersebut juga menawarkan beberapa manfaat lain untuk perusahaan. Seperti apa manfaat lainnya yang ditawarkan oleh  data preprocessing? Dibawah ini adalah penjelasannya, sesuai yang dikutip oleh Science Direct.

-membuat data lebih mudah dibaca
-mengurangi beban dari representasi dalam data
-mengurangi durasi data mining secara signifikan
-mempermudah proses analisis data dalam machine learning
 

Fungsi Data Preprocessing

Preprocessing data penting untuk dilakukan karena bisa memberikan fungsi maupun manfaat pada data mining. Proses tersebut utamanya dilakukan untuk memastikan kualitas data baik sebelum digunakan pada saat analisis data. Dalam proses tersebut kita bisa memastikan enam hal, yaitu akurasi data, kelengkapan, konsistensi, ketepatan waktu, terpercaya, serta bisa diinterpretasi dengan baik. Apabila sebuah data sudah diproses berdasarkan enam acuan tersebut, proses analisis data akan jauh lebih mudah dilakukan karena data dari berbagai sumber sudah dimuat dalam sebuah set data dengan format yang sama.
 

Metode Yang Digunakan untuk Data Preprocessing

Terdapat beberapa metode yang digunakan untuk data preprocessing, contohnya seperti dibawah ini:
-Sampling: memilih subset yang representatif dari populasi data yang besar
-Transformasi: memanipulasi data yang mentah untuk menghasilkan satu input
-Denoising: digunakan untuk menghilangkan noise dari data
-Imputasi: mensintesis data yang relevan secara statistik untuk nilai yang hilang
-Normalisasi: mengatur data untuk akses yang efisien
-Ekstraksi fitur: mengeluarkan subset fitur relevan yang signifikan dalam konteks tertentu.
 

Kesimpulan 

Data preprocessing merupakan proses yang penting dilakukan yang berguna untuk  mempermudah proses analisis data. Proses tersebut bisa menyeleksi data dari berbagai sumber serta menyeragamkan formatnya ke dalam satu set data. Langkah-langkah di atas bisa kita lakukan pada saat kita akan melakukan preprocessing data.