Review Mata Kuliah Analitik Bigdata

Pertemuan Ke-4
09 Oktober 2021
Tanggal 09 Oktober 2021
Reviewer Sabda Alam
NIM 123012101034

1. Bagaiman kita bisa melihat karakteristik data yang akan kita

1. Exchange Rate
gunakan dan hubungan data visualisasi sehingga kita bisa
Prediction
menentukan apakah data kita model kita itu linear atau non
machine
linear kemudian data-data yang terlibat itu saling terhubung.
Learning with 5
dengan pengujian Exchange Rate Prediction machine Learning
regression
with 5 regression models atas dollar dengan penujian
models
a. Linear regression,
b. Multiple linear regression,
c. Polynominal regression,
d. Ridge regression (L2 regularization),
e, Lasso regression
2. untuk mengetahui bagaimana nilai tukar mata uang dengan
beberapa cara denga 3 bagian :
a. Explanatory data analysis (EDA) & data visualisation (bonus:
hypothesistesting).
b. Machine learning with 4 regression models
c. Machine learning (cont) with ARIMA
3. Regresi tersebut diatas berfungsi untuk memperkirakan nilai
tukar mata uang melalui dengan ada 3 common ways untuk
memprediksi exchange rate yaitu:
a. Purchasing Power parity (ppp)
b. Relative Economic strength
c. Economic model
Ada juga digunakan untuk faktor mempengaruhi pergerakan mat
uang , penguji perbedaan tingkat suku bunga, tingkat pertumbuhan
PDB dan tingkat pertumbuhan pendapatan menggabungkan
bagaimana akuntansi bisa terbentuk secara ekonomi dapat terbentuk
dengan data dengan cara regresi.

4. Kaitan dengan materi kuliah adalah bagaimana kita bisa melihat

identifikasi masalah, dan di article ini identifikasi masalahnya
adalah bagaimana kita melihat prediksi laju nilai tukar mata
uang, kemudian menentukan variabel apa saja yang
mempengaruhi nlai tukar, kemudian melaksanakan
1
 pengumpulan data, melakukan expand, redata analysis dan data
visualisasi, baru menetapkan kandidat model nya, baru kita akan
melakukan training dan testing, sehingga bisa melihat hasilnya
itu dengaan grafiknya. Melalui scatterplot dan garis yang
terbentuk.
5. Intinya memahami identifikasi masalah, pemodelan masalah,
menentukan tribut data, mengkoleksi data, membersihkan data,
kemudian mengurangi dimensi, menyiapkan data testing, data
training 80% untuk data testing 20% untuk data testing.
6. Data training digunakan untuk pembentukan data modelnya,
menetukan parameter-parameter dari persamaan matematis yang
diduga.