1) Data cleaninga) Missing values:i

1) Data cleaning
a) Missing values:
i. Ignore the tuple
ii. Fill in the missing value manually
iii. Use a global constant to fill in the missing value
iv. Use the attribute mean to fill in the missing value
v. Use the attribute mean for all samples belonging to
the same class.
vi.Use the most probable value to fill in the missing
value
b) Noisy data:
i. Binning
ii. Clustering
iii. Regression
c) Inconsistent data
2) Data Integration and Data Transformation
a) Data Integration
b) Data Transformation
i.Smoothing
ii.Aggregation
iii.Generalization
iv.Normalization
v. Attribute construction
3) Data reduction
a) Data cube aggregation
b) Attribute subset selection
c) Dimensional reduction .
d) Data Sampling.
e) Numerosity reduction
f) Discretization and concept hierarchy generation

Results (Indonesian) 1:

1) data cleaning) hilang nilai:i. mengabaikan tupelII. mengisi nilai hilang secara manualIII. menggunakan konstan global untuk mengisi nilai hilangIV. menggunakan atribut berarti untuk mengisi nilai hilangv. menggunakan atribut berarti untuk semua sampel milikkelas yang sama.VI. Gunakan nilai yang paling mungkin untuk mengisi yang hilangnilaib) berisik data:i. BinningII. ClusteringIII. regresic) konsisten data2) data integrasi dan transformasi Data) integrasi datab) transformasi datai.SmoothingII. AgregasiIII. GeneralisasiIV. Normalisasiv. atribut konstruksi3) data pengurangan) data kubus agregasib) atribut subset seleksipengurangan c) dimensi.d) Sampling data.e) pengurangan numerosityf) pendiskretan dan konsep hirarki generasi

Results (Indonesian) 2:

1) Data membersihkan
a) Hilang nilai:
i. Abaikan tupel
ii. Isikan nilai yang hilang secara manual
iii. Gunakan konstan global untuk mengisi nilai yang hilang
iv. Gunakan atribut berarti untuk mengisi nilai yang hilang
v. Gunakan atribut berarti untuk semua sampel
milik. Kelas yang sama
vi.Use nilai yang paling mungkin untuk mengisi missing
value
b) Data Bising:
i. Binning
ii. Clustering
iii. Regresi
c) Data yang tidak konsisten
2) Integrasi Data dan Transformasi Data
a) Integrasi data
b) Transformasi data
i.Smoothing
ii.Aggregation
iii.Generalization
iv.Normalization
v. Atribut konstruksi
3) Reduksi data
a) Data kubus agregasi
b) atribut bagian pilihan
c) pengurangan Dimensi.
D) Data Sampling.
E) pengurangan Numerosity
f) Discretization dan hirarki konsep generasi