[Tugas 2] Melakukan Feature Engineering, Data Augmentation, dan Normalisasi Data pada Dataset

Assessment phase

Workshop timeline with 5 phasesSkip to current tasks
Setup phase
Submission phase
Assessment phase
Current phase
Grading evaluation phase
Closed
Instructions for assessment

Instrumen Penilaian Tugas Machine Learning: Feature Engineering, Data Augmentation, dan Normalisasi Data

Aspek yang DinilaiKriteria PenilaianSkor Maksimum
1. Persiapan Dataset 10
- Pemilihan dataset Dataset dipilih dari sumber yang tepat dan mendukung penerapan teknik Feature Engineering, Data Augmentation, atau Normalisasi. 5
- Kesesuaian fitur dalam dataset Dataset mencakup beberapa fitur relevan untuk penerapan teknik yang diminta dalam tugas. 5
2. Feature Engineering 30
- Identifikasi fitur Analisis fitur dilakukan dengan baik, mampu mengidentifikasi fitur penting dan tidak relevan. 10
- Transformasi fitur Melakukan transformasi seperti pembuatan fitur baru, encoding, atau interaksi antar fitur dengan penjelasan yang jelas mengenai alasan di balik transformasi tersebut. 10
- Visualisasi hasil Memvisualisasikan perubahan dataset sebelum dan setelah Feature Engineering dengan plot atau grafik yang sesuai. 10
3. Data Augmentation (untuk data citra atau teks) 20
- Teknik augmentasi yang digunakan Menerapkan augmentasi sesuai jenis data (gambar/teks) dengan cara yang tepat (misalnya, rotasi, penskalaan untuk gambar atau sinonim, stopword untuk teks). 10
- Visualisasi hasil augmentasi Menampilkan sampel data sebelum dan setelah augmentasi serta menjelaskan manfaatnya untuk meningkatkan variasi data. 10
4. Normalisasi Data 20
- Penerapan normalisasi Normalisasi atau standarisasi dilakukan dengan metode yang sesuai (Min-Max Scaling atau Z-score Standardization). 10
- Visualisasi hasil normalisasi Menyediakan visualisasi distribusi data sebelum dan sesudah normalisasi dengan plot/histogram dan penjelasan dampaknya terhadap model yang sensitif terhadap skala fitur. 10
5. Penjelasan dan Kesimpulan 15
- Narasi setiap tahapan Penjelasan yang terstruktur di setiap tahapan, alasan pemilihan teknik, dan dampaknya pada data serta model. 10
- Diskusi hasil Kesimpulan mencakup dampak dari proses Feature Engineering, Data Augmentation, atau Normalisasi terhadap kualitas data dan performa model. 5
6. Pengumpulan Tugas (Tautan Video dan Kode) 5
- Video penjelasan Video mencakup minimal satu proses yang dijelaskan dengan durasi 10-30 menit. 3
- Struktur kode Kode terstruktur, menggunakan pustaka yang sesuai seperti Pandas, NumPy, Scikit-learn, TensorFlow, atau Keras. 2

Total Skor Maksimum: 100

Kriteria Penilaian Akhir:

  • A (85-100): Sangat Baik – Menerapkan seluruh instruksi dengan cermat, hasil analisis mendalam, visualisasi tepat.
  • B (70-84): Baik – Mengikuti sebagian besar instruksi, hasil analisis cukup baik, visualisasi ada tetapi perlu perbaikan.
  • C (55-69): Cukup – Sebagian besar langkah diikuti tetapi kurang dalam analisis atau penjelasan.
  • D (40-54): Kurang – Banyak langkah yang terlewat atau hasil tidak sesuai instruksi.
  • E (<40): Sangat Kurang – Tidak memenuhi sebagian besar instruksi atau terdapat kesalahan signifikan dalam tugas.
Assigned submissions to assess