[Tugas 2] Melakukan Feature Engineering, Data Augmentation, dan Normalisasi Data pada Dataset
Fase Penilaian
Lini masa lokakarya dengan 5 faseLewati ke tugas saat ini
- Fase peyiapan
- Fase pengajuan
- Fase PenilaianFase sekarang
- Fase Evaluasi Penilaian
- Ditutup
Instrumen Penilaian Tugas Machine Learning: Feature Engineering, Data Augmentation, dan Normalisasi Data
Aspek yang Dinilai | Kriteria Penilaian | Skor 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.
Anda tidak memiliki pengajuan yang ditugaskan untuk menilai