Ab stract— Many factors affect the

Ab stract— Many factors affect the success of Machine Learning
(ML) on a given task. The representation and quality of the instance
data is first and foremost. If there is much irrelevant and redundant
information present or noisy and unreliable data, then knowledge
discovery during the training phase is more difficult. It is well known
that data preparation and filtering steps take considerable amount of
processing time in ML problems. Data pre-processing includes data
cleaning, normalization, transformation, feature extraction and
selection, etc. The product of data pre-processing is the final training
set. It would be nice if a single sequence of data pre-processing
algorithms had the best performance for each data set but this is not
happened. Thus, we present the most well know algorithms for each
step of data pre-processing so that one achieves the best performance
for their data set

Results (Indonesian) 1:

AB stract — banyak faktor yang mempengaruhi keberhasilan pembelajaran mesin(ML) pada suatu tugas. Representasi dan kualitas contohdata adalah pertama dan terutama. Jika ada banyak tidak relevan dan berlebihaninformasi hadir atau data bising dan tidak bisa diandalkan, maka pengetahuanpenemuan selama fase pelatihan ini lebih sulit. Hal ini juga diketahuibahwa data persiapan dan penyaringan langkah mengambil cukup banyakwaktu pemrosesan ML masalah. Pra-pengolahan data termasuk dataCleaning, normalisasi, transformasi, fitur ekstraksi danseleksi, dll. Produk dari pra-pemrosesan data adalah pelatihan akhirset. Akan menyenangkan jika urutan tunggal pra-pemrosesan dataalgoritma memiliki performa terbaik untuk masing-masing set data tetapi ini bukanlahterjadi. Dengan demikian, kami menyajikan yang paling baik tahu algoritma untuk masing-masinglangkah data pra-pemrosesan itu mencapai performa terbaikuntuk set data mereka

Results (Indonesian) 2:

Ab stract- Banyak faktor yang mempengaruhi keberhasilan Machine Learning
(ML) pada tugas yang diberikan. Representasi dan kualitas contoh
data pertama dan terutama. Jika ada banyak yang tidak relevan dan berlebihan
Data menyajikan informasi atau berisik dan tidak bisa diandalkan, maka pengetahuan
penemuan selama fase pelatihan lebih sulit. Hal ini juga diketahui
bahwa persiapan data dan filtering langkah mengambil cukup banyak
waktu pemrosesan di masalah ML. Data pre-processing meliputi data
cleaning, normalisasi, transformasi, ekstraksi fitur dan
pilihan, dll Produk data pra-pengolahan adalah latihan terakhir
set. Akan lebih baik jika urutan tunggal data pra-pengolahan
algoritma memiliki kinerja terbaik untuk setiap set data tapi ini tidak
terjadi. Dengan demikian, kami menyajikan yang paling baik tahu algoritma untuk setiap
langkah data pra-pengolahan sehingga satu mencapai kinerja terbaik
untuk mengatur data mereka