# Materi Pertemuan 3 — Data Preparation (Extensi)
## Studi Kasus: Iris + Data Campuran (Mixed-Type)

## Daftar Isi
```{dropdown} Klik untuk membuka Daftar Isi
:open:

1. [Persiapan Lingkungan](#1-persiapan-lingkungan)
2. [Memuat Dataset Iris](#2-memuat-dataset-iris)
3. [Penjelasan: Fitur vs Kelas (Target)](#3-penjelasan-fitur-vs-kelas-target)
4. [Identifikasi Missing Value (Lebih Lengkap)](#4-identifikasi-missing-value-lebih-lengkap)
5. [Statistik Deskriptif](#5-statistik-deskriptif)
6. [Cara Menarik Data dari Database (MySQL/PostgreSQL) ke Orange](#6-cara-menarik-data-dari-database-mysqlpostgresql-ke-orange)
7. [Cara Mengukur Jarak untuk Data Iris](#7-cara-mengukur-jarak-untuk-data-iris)
8. [Distance Matrix di Orange (Workflow)](#8-distance-matrix-di-orange-workflow)
9. [Checklist Output Pertemuan 3 (Untuk Laporan)](#9-checklist-output-pertemuan-3-untuk-laporan)
10. [Bukti Gambar Dataset dan Workflow Orange](#10-bukti-gambar-dataset-dan-workflow-orange)
```

Dokumen ini melanjutkan materi Data Preparation (CRISP-DM) yang kamu buat sebelumnya, lalu **ditambah**:
1) Identifikasi missing value (lebih lengkap)
2) Statistik deskriptif per **kelas**, **kolom**, dan **fitur**
3) Cara tarik data dari **MySQL/PostgreSQL** ke **Orange**
4) Penjelasan **fitur vs kelas** (contoh Iris)
5) Cara mengukur jarak (distance) & **distance matrix** di Orange
6) Imputasi missing value menggunakan **KNN** pada data numerik (Iris)
7) Imputasi missing value menggunakan **KNN** pada data campuran (Bank)
8) Perhitungan manual langkah demi langkah + verifikasi Python
9) Bukti gambar hasil notebook (pemeriksaan missing value, tabel jarak, hasil imputasi)
10) Cara menghitung jarak total menggunakan **Excel** (rumus lengkap)

---

## 1) Persiapan Lingkungan
Kita pakai Python untuk contoh analisis (missing value, statistik deskriptif, distance).

```python
%matplotlib inline
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

from sklearn.preprocessing import StandardScaler
from sklearn.metrics import pairwise_distances
```

---

## 2) Memuat Dataset Iris
```python
df = pd.read_csv("IRIS.csv")
df.head()
```

---

## 3) Penjelasan: Fitur vs Kelas (Target)
Pada dataset Iris:
- **Fitur (features)** = kolom input/karakteristik bunga:
  - `sepal_length`, `sepal_width`, `petal_length`, `petal_width`
- **Kelas (class/label/target)** = kategori yang ingin diprediksi:
  - `species` (misal: *Iris-setosa*, *Iris-versicolor*, *Iris-virginica*)

✅ Jadi **sepal/petal itu fitur**, sedangkan **virginica/versicolor/setosa itu kelas**.

> Kalau kamu membuat kolom `species_encoded`, itu hanya versi numerik dari kelas.

---

## 4) Identifikasi Missing Value (Lebih Lengkap)
Selain `isnull().sum()`, kita juga cek:
- Persentase missing per kolom
- Baris mana yang punya missing

### 4.1 Jumlah missing per kolom
```python
missing_count = df.isnull().sum()
missing_count
```

### 4.2 Persentase missing per kolom
```python
missing_percent = (df.isnull().mean() * 100).round(2)
pd.DataFrame({'missing_count': missing_count, 'missing_%': missing_percent})
```

### 4.3 Baris yang memiliki missing (jika ada)
```python
rows_with_missing = df[df.isnull().any(axis=1)]
rows_with_missing.head()
```

---

## 5) Statistik Deskriptif
Target tugas: statistik deskriptif untuk:
1) **Setiap kolom/fitur** (overall)
2) **Setiap kelas** (group by `species`)
3) Ringkasan untuk data kategorikal (frekuensi kelas)

### 5.1 Statistik deskriptif overall (fitur numerik)
```python
numeric_cols = ['sepal_length','sepal_width','petal_length','petal_width']
df[numeric_cols].describe().T
```

### 5.2 Frekuensi tiap kelas
```python
df['species'].value_counts()
```

### 5.3 Statistik deskriptif per kelas (lengkap)
```python
df.groupby('species')[numeric_cols].describe()
```

### 5.4 Statistik per kelas (ringkas: mean, std, min, max)
```python
df.groupby('species')[numeric_cols].agg(['mean','std','min','max']).round(3)
```

---

## 6) Cara Menarik Data dari Database (MySQL/PostgreSQL) ke Orange
Orange bisa ambil data langsung dari DB melalui widget **SQL Table** (atau add-on yang mendukung koneksi DB).

### 6.1 Langkah Umum (Workflow Orange)
1. Buka **Orange**
2. Tambahkan widget: **SQL Table**
3. Pilih tipe DB: **MySQL** atau **PostgreSQL**
4. Isi koneksi: host, port, database, user, password
5. Pilih tabel atau tulis query SQL
6. Sambungkan ke widget lain: **Data Table**, **Select Columns**, **Impute**, **Normalize**, dll

### 6.2 Contoh Parameter Koneksi
**MySQL**
- Host: `localhost`
- Port: `3306`
- Database: `nama_db`
- User: `root` (atau user lain)

**PostgreSQL**
- Host: `localhost`
- Port: `5432`
- Database: `nama_db`
- User: `postgres` (atau user lain)

### 6.3 Contoh Query
```sql
SELECT sepal_length, sepal_width, petal_length, petal_width, species
FROM iris
WHERE sepal_length IS NOT NULL;
```

> Kalau widget **SQL Table** belum ada: buka **Options → Add-ons**, lalu install add-on yang mendukung database/SQL.

---


## 7) Cara Mengukur Jarak untuk Data Iris
Karena fitur Iris numerik, jarak yang umum dipakai:
- **Euclidean** (umum)
- **Manhattan**
- **Minkowski**

⚠️ Penting: lakukan **scaling** sebelum menghitung jarak.

### 7.1 Scaling
```python
X = df[numeric_cols].copy()
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
X_scaled[:5]
```

### 7.2 Distance Matrix (Euclidean)
```python
D_euclid = pairwise_distances(X_scaled, metric='euclidean')
D_euclid[:5, :5]
```

---

## 8) Distance Matrix di Orange (Workflow)
1. **File** (atau **SQL Table**) → load data
2. **Select Columns** → pastikan fitur numerik masuk ke **Attributes**, `species` jadi **Class**
3. (Opsional) **Normalize** → Standardize/Normalize
4. **Distances** → pilih metric (Euclidean/Manhattan/Cosine)
5. Output ke **Distance Matrix** / **Heat Map** / **Hierarchical Clustering**

---


## 9) Checklist Output Pertemuan 3 (Untuk Laporan)
1) Bukti cek missing value (count + persen)
2) Statistik deskriptif: overall dan per kelas
3) Penjelasan fitur vs kelas (Iris)
4) Langkah tarik data DB ke Orange (MySQL/PostgreSQL)
5) Cara hitung jarak Iris + scaling
6) Distance matrix di Orange
7) Imputasi KNN pada data numerik (Iris) — perhitungan manual + kode
8) Imputasi KNN pada data campuran (Bank) — perhitungan manual + kode
9) Bukti gambar dari Orange dan PostgreSQL
10) Bukti gambar hasil notebook (cek missing value, tabel jarak, hasil imputasi)
11) Cara perhitungan jarak total menggunakan Excel

---

## 10) Bukti Gambar Dataset dan Workflow Orange

### 10.1 Workflow Pengukuran Jarak Dataset Iris di Orange

![Workflow pengukuran jarak Iris di Orange](Assets/Pertemuan3/DataIrisOrangePengukuranJarak.png)

Workflow Orange untuk dataset Iris dimulai dari **CSV File Import**, dilanjutkan ke **Data Table**, kemudian ke widget perhitungan jarak (**Euclidean Distances**, **Manhattan Distances**, **Spearman Distances**, **Hamming Distances**), lalu ditampilkan pada **Distance Matrix** dan disimpan melalui **Save Distance Matrix**.

### 10.2 Bukti Data CSV ke PostgreSQL

![Bukti data CSV telah dimasukkan ke PostgreSQL](Assets/Pertemuan3/Gambar-Csv-ke-PostgreeSQL.png)

Dataset Iris telah berhasil dimasukkan ke PostgreSQL dan dapat diakses melalui query `SELECT * FROM public.iris`. Total data: 150 baris.

### 10.3 Histogram Fitur Iris — Sebelum Scaling

![Histogram sebelum scaling](Assets/Pertemuan3/SebelumScalling.png)

Histogram di atas menunjukkan distribusi keempat fitur numerik (`sepal_length`, `sepal_width`, `petal_length`, `petal_width`) **sebelum** dilakukan scaling. Terlihat bahwa skala antar fitur berbeda-beda.

### 10.4 Histogram Fitur Iris — Sesudah Scaling

![Histogram sesudah scaling](Assets/Pertemuan3/SesudahScalling.png)

Setelah dilakukan **StandardScaler**, distribusi keempat fitur sudah dinormalisasi dengan mean ≈ 0 dan std ≈ 1, sehingga skala antar fitur menjadi setara untuk perhitungan jarak.

---

## 11) Konsep KNN untuk Mengisi Missing Value

### 11.1 Apa itu KNN Imputation?

KNN Imputation adalah metode untuk mengisi nilai yang hilang (missing value) dengan cara:

1. Mengukur **jarak** dari baris yang memiliki missing value ke semua baris lain
2. Memilih **k baris terdekat** (tetangga terdekat)
3. Mengisi missing value berdasarkan nilai dari tetangga terdekat tersebut

### 11.2 Aturan Pengisian

| Tipe Nilai yang Hilang | Cara Pengisian | Metode |
|---|---|---|
| **Numerik** | Rata-rata dari k tetangga terdekat | KNN Regression |
| **Kategorikal** | Modus (voting mayoritas) dari k tetangga | KNN Classification |

Pada pertemuan ini digunakan **KNN Regression** karena nilai yang diisi berupa angka.

### 11.3 Catatan Penting

- Jika satu kolom memiliki missing value, maka **kolom tersebut tidak diikutkan** dalam perhitungan jarak
- Contoh: jika kolom ke-4 kosong, maka jarak hanya dihitung dari kolom 1, 2, dan 3
- Setelah jarak dihitung, diambil **k data terdekat** (pada contoh ini k = 3)

---

## 12) Aturan Menghitung Jarak Berdasarkan Tipe Data

### 12.1 Jarak untuk Data Numerik — Euclidean Distance

Untuk data numerik digunakan **Euclidean Distance**:

$$
d(i,j) = \sqrt{(x_1 - y_1)^2 + (x_2 - y_2)^2 + \cdots + (x_p - y_p)^2}
$$

**Aturan:** Jika ada kolom yang missing, kolom tersebut **dilewati** dan tidak masuk perhitungan.

Contoh: Baris A = `[5.4, 3.9, 1.7, ?]` dan Baris B = `[5.1, 3.5, 1.4, 0.2]`

Karena kolom ke-4 kosong, jarak hanya dihitung dari 3 kolom pertama:

$$
d = \sqrt{(5.4-5.1)^2 + (3.9-3.5)^2 + (1.7-1.4)^2} = \sqrt{0.09 + 0.16 + 0.09} = \sqrt{0.34} = 0.5831
$$

---

### 12.2 Konversi Data Ordinal ke Numerik

Data ordinal memiliki urutan (ranking), tetapi tidak bisa langsung dimasukkan ke Euclidean. Harus diubah dulu menjadi numerik menggunakan rumus:

$$
z = \frac{r - 1}{m - 1}
$$

Keterangan:

- $r$ = urutan level ordinal (dimulai dari 1)
- $m$ = jumlah seluruh level

**Contoh:** Kolom `education` memiliki 3 level:

| Level | Urutan ($r$) | Hasil Konversi |
|---|---|---|
| primary | 1 | $(1-1)/(3-1) = 0$ |
| secondary | 2 | $(2-1)/(3-1) = 0.5$ |
| tertiary | 3 | $(3-1)/(3-1) = 1$ |

Setelah dikonversi, kolom ordinal **bisa digabungkan** dengan data numerik lain dan dihitung menggunakan Euclidean distance.

---

### 12.3 Jarak untuk Data Kategorikal

Untuk data kategorikal (nominal) digunakan rumus **ketidaksamaan**:

$$
d_{kat} = \frac{P - M}{P}
$$

Keterangan:

- $P$ = banyaknya kolom kategorikal yang dibandingkan
- $M$ = jumlah kolom yang **nilainya sama**

**Contoh:** Dibandingkan 3 kolom kategorikal (`marital`, `housing`, `loan`):

| Kolom | Baris A | Baris B | Sama? |
|---|---|---|---|
| marital | single | single | ✓ |
| housing | yes | yes | ✓ |
| loan | yes | no | ✗ |

Maka $P = 3$, $M = 2$ (dua kolom sama):

$$
d_{kat} = \frac{3 - 2}{3} = \frac{1}{3} = 0.3333
$$

---

### 12.4 Jarak Total untuk Data Campuran

Untuk data campuran, langkah-langkahnya adalah:

1. **Hitung jarak numerik + ordinal** → konversi ordinal ke numerik, lalu hitung Euclidean
2. **Hitung jarak kategorikal** → gunakan rumus $(P-M)/P$
3. **Jumlahkan keduanya** sebagai jarak total

$$
d_{total} = d_{num+ord} + d_{kat}
$$

Inilah inti dari perhitungan jarak pada data campuran: **ordinal dijadikan numerik → dihitung Euclidean, kategorikal dihitung sendiri → lalu keduanya dijumlahkan**.

---

## 13) Penerapan KNN Imputation pada Dataset Iris (Data Numerik)

Dataset Iris seluruhnya numerik (kecuali kolom `species`), sehingga perhitungan jarak menggunakan **Euclidean distance** saja.

### 13.1 Cek Missing Value Awal

Dataset Iris asli **tidak memiliki missing value**, sehingga perlu dibuat missing value buatan untuk simulasi.

### 13.2 Membuat Missing Value Buatan

Nilai yang dihilangkan:

- **Baris indeks 5** (baris ke-6)
- **Kolom `petal_width`**

Data asli baris 5:

| sepal_length | sepal_width | petal_length | petal_width | species |
|---|---|---|---|---|
| 5.4 | 3.9 | 1.7 | **0.4** | Iris-setosa |

Setelah dihilangkan:

| sepal_length | sepal_width | petal_length | petal_width | species |
|---|---|---|---|---|
| 5.4 | 3.9 | 1.7 | **?** | Iris-setosa |

Karena `petal_width` kosong, maka jarak dihitung hanya dari 3 kolom: `sepal_length`, `sepal_width`, `petal_length`.

---

### 13.3 Perhitungan Jarak Manual (Euclidean)

Berikut perhitungan jarak dari **baris 5** ke beberapa baris lain:

#### Baris 5 vs Baris 0

Baris 0: `[5.1, 3.5, 1.4]`

$$
d(5,0) = \sqrt{(5.4-5.1)^2 + (3.9-3.5)^2 + (1.7-1.4)^2}
$$

$$
= \sqrt{0.3^2 + 0.4^2 + 0.3^2} = \sqrt{0.09 + 0.16 + 0.09} = \sqrt{0.34} = 0.5831
$$

#### Baris 5 vs Baris 1

Baris 1: `[4.9, 3.0, 1.4]`

$$
d(5,1) = \sqrt{(5.4-4.9)^2 + (3.9-3.0)^2 + (1.7-1.4)^2}
$$

$$
= \sqrt{0.5^2 + 0.9^2 + 0.3^2} = \sqrt{0.25 + 0.81 + 0.09} = \sqrt{1.15} = 1.0724
$$

#### Baris 5 vs Baris 2

Baris 2: `[4.7, 3.2, 1.3]`

$$
d(5,2) = \sqrt{(5.4-4.7)^2 + (3.9-3.2)^2 + (1.7-1.3)^2}
$$

$$
= \sqrt{0.7^2 + 0.7^2 + 0.4^2} = \sqrt{0.49 + 0.49 + 0.16} = \sqrt{1.14} = 1.0677
$$

#### Baris 5 vs Baris 3

Baris 3: `[4.6, 3.1, 1.5]`

$$
d(5,3) = \sqrt{(5.4-4.6)^2 + (3.9-3.1)^2 + (1.7-1.5)^2}
$$

$$
= \sqrt{0.8^2 + 0.8^2 + 0.2^2} = \sqrt{0.64 + 0.64 + 0.04} = \sqrt{1.32} = 1.1489
$$

#### Baris 5 vs Baris 4

Baris 4: `[5.0, 3.6, 1.4]`

$$
d(5,4) = \sqrt{(5.4-5.0)^2 + (3.9-3.6)^2 + (1.7-1.4)^2}
$$

$$
= \sqrt{0.4^2 + 0.3^2 + 0.3^2} = \sqrt{0.16 + 0.09 + 0.09} = \sqrt{0.34} = 0.5831
$$

Perhitungan yang sama dilakukan untuk **seluruh 149 baris lainnya**.

---

### 13.4 Menentukan 3 Tetangga Terdekat (k = 3)

Setelah seluruh jarak dihitung dan diurutkan dari terkecil, diperoleh **3 tetangga terdekat**:

| Peringkat | Baris | Jarak | Data (SL, SW, PL) | petal_width |
|---|---|---|---|---|
| 1 | Baris 10 | 0.2828 | [5.4, 3.7, 1.5] | 0.2 |
| 2 | Baris 48 | 0.3000 | [5.3, 3.7, 1.5] | 0.2 |
| 3 | Baris 18 | 0.3162 | [5.7, 3.8, 1.7] | 0.3 |

**Verifikasi manual baris 5 vs baris 10:**

Baris 10: `[5.4, 3.7, 1.5]`

$$
d(5,10) = \sqrt{(5.4-5.4)^2 + (3.9-3.7)^2 + (1.7-1.5)^2} = \sqrt{0 + 0.04 + 0.04} = \sqrt{0.08} = 0.2828
$$

---

### 13.5 Imputasi Missing Value (KNN Regression)

Karena nilai yang diisi berupa numerik, digunakan **rata-rata** dari `petal_width` ketiga tetangga:

$$
\hat{x} = \frac{0.2 + 0.2 + 0.3}{3} = \frac{0.7}{3} = 0.2333
$$

**Hasil:** Missing value `petal_width` pada baris 5 diisi dengan $\boxed{0.2333}$

Nilai asli sebelum dihilangkan: **0.4**

---

### 13.6 Kode Python — Imputasi KNN pada Iris

```python
import pandas as pd
import numpy as np

# Load data
iris = pd.read_csv("IRIS.csv")

# Simpan nilai asli sebelum dihilangkan
target_idx = 5
col_missing = 'petal_width'
nilai_asli = iris.loc[target_idx, col_missing]

# Buat missing value buatan
iris_knn = iris.copy()
iris_knn.loc[target_idx, col_missing] = np.nan

# Fitur yang dipakai untuk menghitung jarak (tanpa kolom yang missing)
fitur = ['sepal_length', 'sepal_width', 'petal_length']

# Hitung jarak ke semua baris lain
hasil_jarak = []
for i in range(len(iris_knn)):
    if i == target_idx:
        continue
    d = np.sqrt(((iris_knn.loc[target_idx, fitur] - iris_knn.loc[i, fitur]) ** 2).sum())
    hasil_jarak.append((i, d, iris.loc[i, col_missing]))

# Urutkan berdasarkan jarak terkecil
hasil_jarak = sorted(hasil_jarak, key=lambda x: x[1])

# Ambil 3 tetangga terdekat
k = 3
tetangga = hasil_jarak[:k]

# Imputasi dengan rata-rata (KNN Regression)
imputasi = np.mean([x[2] for x in tetangga])

print("Nilai asli petal_width:", nilai_asli)
print("\n3 tetangga terdekat:")
for t in tetangga:
    print(f"  Baris {t[0]}: jarak = {t[1]:.4f}, petal_width = {t[2]}")
print(f"\nHasil imputasi KNN (k=3): {imputasi:.4f}")
```

**Output yang diharapkan:**

```
Nilai asli petal_width: 0.4

3 tetangga terdekat:
  Baris 10: jarak = 0.2828, petal_width = 0.2
  Baris 48: jarak = 0.3000, petal_width = 0.2
  Baris 18: jarak = 0.3162, petal_width = 0.3

Hasil imputasi KNN (k=3): 0.2333
```

---

### 13.7 Bukti Pemeriksaan Missing Value — Dataset Iris

Berikut adalah bukti grafik yang dihasilkan notebook saat memeriksa missing value pada dataset Iris **sebelum** dibuat missing value buatan:

![Cek Missing Value Iris — Semua kolom bernilai 0](Assets/Pertemuan3/cek-missing-value-iris.png)

**Penjelasan:**
- Grafik bar menunjukkan jumlah missing value per kolom pada dataset Iris.
- **Seluruh kolom bernilai 0** — artinya dataset Iris asli **tidak memiliki missing value sama sekali**.
- Karena tidak ada missing value, maka dibuat **missing value buatan** pada baris 5 kolom `petal_width` untuk keperluan simulasi KNN Imputation.

---

### 13.8 Bukti Baris dengan Missing Value Buatan — Iris

![Baris 5 dengan missing value buatan pada petal_width](Assets/Pertemuan3/baris-missing-iris.png)

Tabel di atas menunjukkan bahwa baris 5 kini memiliki `petal_width = NaN` (missing), sementara kolom lainnya tetap utuh. Kolom `petal_width` inilah yang akan diisi menggunakan KNN Imputation.

---

### 13.9 Bukti Tabel 10 Jarak Terkecil — Iris

![10 Jarak Terkecil Dataset Iris — 3 hijau adalah tetangga terpilih](Assets/Pertemuan3/tabel-jarak-iris.png)

**Penjelasan:**
- Tabel menampilkan **10 baris dengan jarak terkecil** dari baris 5 (yang memiliki missing value).
- Jarak dihitung menggunakan **Euclidean Distance** dari 3 kolom: `sepal_length`, `sepal_width`, `petal_length` (kolom `petal_width` tidak diikutsertakan karena missing).
- **3 baris teratas (hijau)** adalah tetangga terdekat yang terpilih (k = 3):
  - Baris 10: jarak = 0.2828, petal_width = 0.2
  - Baris 48: jarak = 0.3000, petal_width = 0.2
  - Baris 18: jarak = 0.3162, petal_width = 0.3

---

### 13.10 Bukti Hasil Imputasi KNN — Iris

![Baris 5 setelah imputasi KNN — petal_width = 0.2333](Assets/Pertemuan3/hasil-imputasi-iris.png)

**Penjelasan:**
- Setelah KNN Imputation dilakukan, kolom `petal_width` pada baris 5 terisi dengan nilai **0.2333**.
- Nilai ini merupakan **rata-rata** dari `petal_width` ketiga tetangga terdekat: $(0.2 + 0.2 + 0.3) / 3 = 0.2333$.
- Nilai asli sebelum dihilangkan: **0.4**.
- Ini membuktikan bahwa proses KNN Imputation berhasil mengisi missing value berdasarkan data tetangga terdekat.

---

## 14) Penerapan KNN Imputation pada Dataset Bank (Data Campuran)

Dataset Bank merupakan **data campuran** karena memiliki kolom numerik, ordinal, dan kategorikal. Oleh karena itu, jarak **tidak bisa langsung** dihitung dengan Euclidean untuk semua kolom — setiap tipe data harus diperlakukan sesuai jenisnya.

### 14.1 Menentukan Tipe Variabel

Kolom-kolom yang digunakan dalam perhitungan jarak:

| Kolom | Tipe Data | Keterangan |
|---|---|---|
| `age` | **Numerik** | Usia nasabah |
| `education` | **Ordinal** | primary < secondary < tertiary |
| `marital` | **Kategorikal** | married, single, divorced |
| `housing` | **Kategorikal** | yes, no |
| `loan` | **Kategorikal** | yes, no |
| `balance` | **Numerik (target)** | Saldo — **kolom yang akan diimputasi** |

Karena `balance` berupa numerik, maka pengisian missing value menggunakan **KNN Regression**.

### 14.2 Membuat Missing Value Buatan

Dataset Bank tidak memiliki missing value, sehingga dibuat satu missing value buatan:

- **Baris indeks 5**
- **Kolom `balance`**

Data asli baris 5:

| age | education | marital | housing | loan | balance |
|---|---|---|---|---|---|
| 42 | tertiary | single | yes | yes | **0** |

Setelah dihilangkan:

| age | education | marital | housing | loan | balance |
|---|---|---|---|---|---|
| 42 | tertiary | single | yes | yes | **?** |

Karena `balance` kosong, maka perhitungan jarak menggunakan kolom: `age`, `education`, `marital`, `housing`, `loan`.

---

### 14.3 Langkah 1 — Konversi Ordinal ke Numerik

Kolom `education` (ordinal) dikonversi menjadi numerik:

$$
z = \frac{r - 1}{m - 1}
$$

| Level | $r$ | Hasil |
|---|---|---|
| primary | 1 | $(1-1)/(3-1) = 0$ |
| secondary | 2 | $(2-1)/(3-1) = 0.5$ |
| tertiary | 3 | $(3-1)/(3-1) = 1$ |

Baris 5 memiliki `education = tertiary`, maka nilai numeriknya = **1.0**.

---

### 14.4 Langkah 2 — Normalisasi Data Numerik (Min-Max)

Kolom `age` dinormalisasi agar skalanya setara dengan kolom ordinal:

$$
x' = \frac{x - x_{min}}{x_{max} - x_{min}}
$$

Dari dataset Bank: `age_min = 23`, `age_max = 60`.

Baris 5: `age = 42`

$$
age'_5 = \frac{42 - 23}{60 - 23} = \frac{19}{37} = 0.5135
$$

---

### 14.5 Langkah 3 — Perhitungan Jarak Manual

Sekarang kita hitung jarak baris 5 ke beberapa baris lain, dengan menggabungkan:

- **Jarak numerik + ordinal** (Euclidean) dari kolom `age` dan `education`
- **Jarak kategorikal** dari kolom `marital`, `housing`, `loan`

#### Baris 5 vs Baris 21

Baris 21: `age=43, education=tertiary, marital=single, housing=yes, loan=no`

**Numerik + Ordinal:**

$$
age'_{21} = \frac{43-23}{37} = 0.5405 \quad;\quad edu'_{21} = 1.0
$$

$$
d_{num+ord} = \sqrt{(0.5135 - 0.5405)^2 + (1.0 - 1.0)^2} = \sqrt{0.0007 + 0} = 0.0270
$$

**Kategorikal:**

| Kolom | Baris 5 | Baris 21 | Sama? |
|---|---|---|---|
| marital | single | single | ✓ |
| housing | yes | yes | ✓ |
| loan | yes | no | ✗ |

$P = 3$, $M = 2$:

$$
d_{kat} = \frac{3-2}{3} = 0.3333
$$

**Jarak Total:**

$$
d_{total} = 0.0270 + 0.3333 = \boxed{0.3604}
$$

---

#### Baris 5 vs Baris 96

Baris 96: `age=30, education=tertiary, marital=single, housing=yes, loan=yes`

**Numerik + Ordinal:**

$$
age'_{96} = \frac{30-23}{37} = 0.1892 \quad;\quad edu'_{96} = 1.0
$$

$$
d_{num+ord} = \sqrt{(0.5135 - 0.1892)^2 + (1.0 - 1.0)^2} = \sqrt{0.1052 + 0} = 0.3243
$$

**Kategorikal:**

| Kolom | Baris 5 | Baris 96 | Sama? |
|---|---|---|---|
| marital | single | single | ✓ |
| housing | yes | yes | ✓ |
| loan | yes | yes | ✓ |

$P = 3$, $M = 3$:

$$
d_{kat} = \frac{3-3}{3} = 0
$$

**Jarak Total:**

$$
d_{total} = 0.3243 + 0 = \boxed{0.3243}
$$

---

#### Baris 5 vs Baris 51

Baris 51: `age=39, education=tertiary, marital=divorced, housing=yes, loan=yes`

**Numerik + Ordinal:**

$$
age'_{51} = \frac{39-23}{37} = 0.4324 \quad;\quad edu'_{51} = 1.0
$$

$$
d_{num+ord} = \sqrt{(0.5135 - 0.4324)^2 + (1.0 - 1.0)^2} = \sqrt{0.0066 + 0} = 0.0811
$$

**Kategorikal:**

| Kolom | Baris 5 | Baris 51 | Sama? |
|---|---|---|---|
| marital | single | divorced | ✗ |
| housing | yes | yes | ✓ |
| loan | yes | yes | ✓ |

$P = 3$, $M = 2$:

$$
d_{kat} = \frac{3-2}{3} = 0.3333
$$

**Jarak Total:**

$$
d_{total} = 0.0811 + 0.3333 = \boxed{0.4144}
$$

---

#### Baris 5 vs Baris 76

Baris 76: `age=39, education=tertiary, marital=married, housing=yes, loan=yes`

**Numerik + Ordinal:**

$$
age'_{76} = \frac{39-23}{37} = 0.4324 \quad;\quad edu'_{76} = 1.0
$$

$$
d_{num+ord} = \sqrt{(0.5135 - 0.4324)^2 + (1.0 - 1.0)^2} = \sqrt{0.0066 + 0} = 0.0811
$$

**Kategorikal:**

| Kolom | Baris 5 | Baris 76 | Sama? |
|---|---|---|---|
| marital | single | married | ✗ |
| housing | yes | yes | ✓ |
| loan | yes | yes | ✓ |

$P = 3$, $M = 2$:

$$
d_{kat} = \frac{3-2}{3} = 0.3333
$$

**Jarak Total:**

$$
d_{total} = 0.0811 + 0.3333 = \boxed{0.4144}
$$

---

#### Baris 5 vs Baris 13

Baris 13: `age=46, education=tertiary, marital=single, housing=yes, loan=no`

**Numerik + Ordinal:**

$$
age'_{13} = \frac{46-23}{37} = 0.6216 \quad;\quad edu'_{13} = 1.0
$$

$$
d_{num+ord} = \sqrt{(0.5135 - 0.6216)^2 + (1.0 - 1.0)^2} = \sqrt{0.0117 + 0} = 0.1081
$$

**Kategorikal:**

| Kolom | Baris 5 | Baris 13 | Sama? |
|---|---|---|---|
| marital | single | single | ✓ |
| housing | yes | yes | ✓ |
| loan | yes | no | ✗ |

$P = 3$, $M = 2$:

$$
d_{kat} = \frac{3-2}{3} = 0.3333
$$

**Jarak Total:**

$$
d_{total} = 0.1081 + 0.3333 = \boxed{0.4414}
$$

---

Perhitungan yang sama dilakukan untuk **seluruh baris lainnya**.

---

### 14.6 Menentukan 3 Tetangga Terdekat (k = 3)

Setelah seluruh jarak dihitung dan diurutkan:

| Peringkat | Baris | $d_{num+ord}$ | $d_{kat}$ | $d_{total}$ | balance |
|---|---|---|---|---|---|
| 1 | Baris 96 | 0.3243 | 0 | **0.3243** | 880 |
| 2 | Baris 21 | 0.0270 | 0.3333 | **0.3604** | 2067 |
| 3 | Baris 51 | 0.0811 | 0.3333 | **0.4144** | 517 |

**Perhatikan:**

- Baris 96 memiliki jarak numerik+ordinal besar (0.3243) tapi kategorikal semua sama (d_kat = 0), sehingga total jarak kecil
- Baris 21 memiliki jarak numerik+ordinal kecil (0.0270) tapi ada 1 kolom kategorikal berbeda (d_kat = 0.3333)

Ini menunjukkan pentingnya **memperhitungkan kedua tipe jarak** pada data campuran.

---

### 14.7 Imputasi Missing Value (KNN Regression)

$$
\hat{balance} = \frac{880 + 2067 + 517}{3} = \frac{3464}{3} = 1154.67
$$

**Hasil:** Missing value `balance` pada baris 5 diisi dengan $\boxed{1154.67}$

Nilai asli sebelum dihilangkan: **0**

---

### 14.8 Kode Python — Imputasi KNN pada Data Campuran Bank

```python
import pandas as pd
import numpy as np

# Load data
bank = pd.read_csv("bank.csv")

# Simpan nilai asli sebelum dihilangkan
target_idx = 5
col_missing = 'balance'
nilai_asli = bank.loc[target_idx, col_missing]

# Buat missing value buatan
bank_knn = bank.copy()
bank_knn.loc[target_idx, col_missing] = np.nan

# === KONVERSI ORDINAL ===
edu_order = {'primary': 1, 'secondary': 2, 'tertiary': 3}
m_edu = 3

def ord_norm(val):
    return (edu_order[val] - 1) / (m_edu - 1)

# Filter baris yang education-nya valid
bank_knn = bank_knn[bank_knn['education'].isin(edu_order.keys())].copy()
bank_knn = bank_knn.reset_index(drop=True)

# Cari ulang indeks target setelah reset
missing_idx = bank_knn[bank_knn[col_missing].isna()].index[0]

# === NORMALISASI NUMERIK (Min-Max) ===
age_min = bank_knn['age'].min()
age_max = bank_knn['age'].max()

def age_norm(val):
    return (val - age_min) / (age_max - age_min)

# === PERHITUNGAN JARAK ===
cat_cols = ['marital', 'housing', 'loan']
hasil_jarak = []

for i in range(len(bank_knn)):
    if i == missing_idx:
        continue

    # Jarak numerik + ordinal (Euclidean)
    d_numord = np.sqrt(
        (age_norm(bank_knn.loc[missing_idx, 'age']) - age_norm(bank_knn.loc[i, 'age']))**2 +
        (ord_norm(bank_knn.loc[missing_idx, 'education']) - ord_norm(bank_knn.loc[i, 'education']))**2
    )

    # Jarak kategorikal
    P = len(cat_cols)
    M = sum(bank_knn.loc[missing_idx, c] == bank_knn.loc[i, c] for c in cat_cols)
    d_cat = (P - M) / P

    # Jarak total
    d_total = d_numord + d_cat

    bal = bank_knn.loc[i, col_missing]
    if pd.isna(bal):
        continue
    hasil_jarak.append((i, d_total, d_numord, d_cat, bal))

# Urutkan berdasarkan jarak terkecil
hasil_jarak = sorted(hasil_jarak, key=lambda x: x[1])

# Ambil 3 tetangga terdekat
k = 3
tetangga = hasil_jarak[:k]

# Imputasi dengan rata-rata (KNN Regression)
imputasi = np.mean([x[4] for x in tetangga])

print("Nilai asli balance:", nilai_asli)
print("\n3 tetangga terdekat:")
for t in tetangga:
    r = bank_knn.loc[t[0]]
    print(f"  Baris {t[0]}: d_total={t[1]:.4f} (d_numord={t[2]:.4f}, d_cat={t[3]:.4f}), balance={t[4]}")
    print(f"    age={r['age']}, edu={r['education']}, mar={r['marital']}, hou={r['housing']}, loan={r['loan']}")
print(f"\nHasil imputasi KNN (k=3): {imputasi:.2f}")
```

**Output yang diharapkan:**

```
Nilai asli balance: 0

3 tetangga terdekat:
  Baris 96: d_total=0.3243 (d_numord=0.3243, d_cat=0.0000), balance=880
    age=30, edu=tertiary, mar=single, hou=yes, loan=yes
  Baris 21: d_total=0.3604 (d_numord=0.0270, d_cat=0.3333), balance=2067
    age=43, edu=tertiary, mar=single, hou=yes, loan=no
  Baris 51: d_total=0.4144 (d_numord=0.0811, d_cat=0.3333), balance=517
    age=39, edu=tertiary, mar=divorced, hou=yes, loan=yes

Hasil imputasi KNN (k=3): 1154.67
```

---

### 14.9 Bukti Pemeriksaan Missing Value — Dataset Bank

Berikut adalah bukti grafik yang dihasilkan notebook saat memeriksa missing value pada dataset Bank **sebelum** dibuat missing value buatan:

![Cek Missing Value Bank — Semua kolom bernilai 0](Assets/Pertemuan3/cek-missing-value-bank.png)

**Penjelasan:**
- Grafik bar menunjukkan jumlah missing value per kolom pada dataset Bank (17 kolom).
- **Seluruh kolom bernilai 0** — artinya dataset Bank asli **tidak memiliki missing value sama sekali**.
- Karena tidak ada missing value alami, maka dibuat **missing value buatan** pada baris 5 kolom `balance` untuk simulasi KNN Imputation pada data campuran.

---

### 14.10 Bukti Baris dengan Missing Value Buatan — Bank

![Baris 5 dengan missing value buatan pada balance](Assets/Pertemuan3/baris-missing-bank.png)

Tabel di atas menunjukkan data baris 5 setelah kolom `balance` dihilangkan (NaN). Kolom lain tetap utuh:
- `age = 42`, `job = management`, `marital = single`, `education = tertiary`, `housing = yes`, `loan = yes`, `deposit = yes`
- Kolom `balance` = **NaN** → inilah yang akan diisi oleh KNN.

---

### 14.11 Bukti Tabel 10 Jarak Terkecil — Bank

![10 Jarak Terkecil Dataset Bank — 3 hijau adalah tetangga terpilih](Assets/Pertemuan3/tabel-jarak-bank.png)

**Penjelasan:**
- Tabel menampilkan **10 baris dengan jarak terkecil** dari baris 5 (yang memiliki missing value `balance`).
- Jarak dihitung menggunakan **jarak campuran** (mixed-type distance):
  - **Numerik + Ordinal** (Euclidean): kolom `age` (dinormalisasi Min-Max) dan `education` (dikonversi ordinal)
  - **Kategorikal** (ketidaksamaan): kolom `marital`, `housing`, `loan`
  - $d_{total} = d_{num+ord} + d_{kat}$
- **3 baris teratas (hijau)** adalah tetangga terdekat yang terpilih (k = 3):

| Peringkat | Baris | $d_{num+ord}$ | $d_{kat}$ | $d_{total}$ | balance |
|---|---|---|---|---|---|
| 1 | Baris 92 | 0.3243 | 0.0000 | **0.3243** | 880 |
| 2 | Baris 21 | 0.0270 | 0.3333 | **0.3604** | 2067 |
| 3 | Baris 50 | 0.0811 | 0.3333 | **0.4144** | 517 |

> **Catatan:** Indeks baris (92, 21, 50) adalah indeks setelah dilakukan filter `education ∈ {primary, secondary, tertiary}` dan `reset_index(drop=True)` pada kode Python. Pada perhitungan manual di bagian 14.5–14.6, digunakan indeks asli dari file CSV (96, 21, 51) yang merujuk pada **baris data yang sama** — hanya indeksnya yang berbeda karena perbedaan urutan setelah filter.

---

### 14.12 Bukti Hasil Imputasi KNN — Bank

![Baris 5 setelah imputasi KNN — balance = 1154.67](Assets/Pertemuan3/hasil-imputasi-bank.png)

**Penjelasan:**
- Setelah KNN Imputation dilakukan, kolom `balance` pada baris 5 terisi dengan nilai **1154.67**.
- Nilai ini merupakan **rata-rata** dari `balance` ketiga tetangga terdekat:

$$
\hat{balance} = \frac{880 + 2067 + 517}{3} = \frac{3464}{3} = 1154.67
$$

- Data baris 5 setelah imputasi:

| age | job | marital | education | balance | housing | loan | deposit |
|---|---|---|---|---|---|---|---|
| 42 | management | single | tertiary | **1154.67** | yes | yes | yes |

- Nilai asli sebelum dihilangkan: **0**.
- Ini membuktikan bahwa proses KNN Imputation pada **data campuran** berhasil mengisi missing value dengan mempertimbangkan jarak numerik, ordinal, dan kategorikal secara bersamaan.

---

## 15) Ringkasan Langkah KNN Imputation

### 15.1 Untuk Data Numerik (Iris)

```
1. Cek missing value → tidak ada → buat missing value buatan
2. Tentukan baris target dan kolom yang kosong
3. Hitung jarak Euclidean ke semua baris lain (tanpa kolom yang kosong)
4. Urutkan jarak dari terkecil
5. Ambil k=3 tetangga terdekat
6. Isi missing value = rata-rata nilai kolom target dari 3 tetangga
```

### 15.2 Untuk Data Campuran (Bank)

```
1. Cek missing value → tidak ada → buat missing value buatan
2. Tentukan tipe setiap kolom: numerik, ordinal, atau kategorikal
3. Konversi ordinal ke numerik dengan rumus z = (r-1)/(m-1)
4. Normalisasi kolom numerik dengan Min-Max Scaling
5. Hitung jarak numerik+ordinal menggunakan Euclidean
6. Hitung jarak kategorikal menggunakan (P-M)/P
7. Jumlahkan: d_total = d_num+ord + d_kat
8. Urutkan jarak dari terkecil
9. Ambil k=3 tetangga terdekat
10. Isi missing value = rata-rata nilai target dari 3 tetangga (KNN Regression)
```

---

## 16) Cara Menghitung Jarak Total dengan Excel

Selain menggunakan Python, perhitungan jarak KNN juga dapat dilakukan menggunakan **Microsoft Excel**. Berikut panduan langkah demi langkah untuk **kedua dataset** (Iris dan Bank).

---

### 16.1 Perhitungan Jarak Euclidean — Dataset Iris (di Excel)

#### Langkah 1: Siapkan Data

Buat tabel di Excel dengan kolom:

| | A | B | C | D | E |
|---|---|---|---|---|---|
| **1** | **Baris** | **sepal_length** | **sepal_width** | **petal_length** | **petal_width** |
| **2** | 0 | 5.1 | 3.5 | 1.4 | 0.2 |
| **3** | 1 | 4.9 | 3.0 | 1.4 | 0.2 |
| **4** | ... | ... | ... | ... | ... |
| **7** | 5 (target) | 5.4 | 3.9 | 1.7 | **NaN** |

#### Langkah 2: Hitung Jarak Euclidean (tanpa kolom petal_width)

Karena `petal_width` (kolom E) missing pada baris 5, jarak hanya dihitung dari 3 kolom: B, C, D.

Di kolom baru (misal **F**), masukkan rumus untuk setiap baris (contoh baris 2 = baris data ke-0):

```
=SQRT((B$7-B2)^2 + (C$7-C2)^2 + (D$7-D2)^2)
```

**Penjelasan rumus:**
- `B$7` = `sepal_length` baris target (5.4) — tanda `$` mengunci baris 7 agar tidak bergeser saat di-copy ke bawah
- `B2` = `sepal_length` baris yang sedang dibandingkan
- `SQRT(...)` = akar kuadrat (√) untuk Euclidean distance

#### Langkah 3: Copy rumus ke bawah

Drag rumus dari F2 ke bawah sampai semua baris (kecuali baris target sendiri). Excel akan otomatis menghitung jarak ke setiap baris.

#### Langkah 4: Urutkan dan Ambil 3 Terkecil

1. Pilih seluruh data termasuk kolom jarak
2. Klik **Data → Sort** → Sort by kolom F (Jarak) → **Smallest to Largest**
3. Ambil **3 baris teratas** — itulah 3 tetangga terdekat

#### Langkah 5: Hitung Rata-Rata (Imputasi)

Di sel terpisah, hitung rata-rata `petal_width` dari 3 tetangga:

```
=AVERAGE(E_tetangga1, E_tetangga2, E_tetangga3)
```

Contoh jika 3 tetangga ada di baris 2, 5, 8:

```
=AVERAGE(E2, E5, E8)
```

**Hasil yang diharapkan:** `0.2333`

---

### 16.2 Perhitungan Jarak Campuran — Dataset Bank (di Excel)

Untuk data campuran, perhitungan lebih kompleks karena melibatkan 3 komponen: **numerik, ordinal, dan kategorikal**.

#### Langkah 1: Siapkan Data Bank

Buat tabel dengan kolom yang relevan:

| | A | B | C | D | E | F |
|---|---|---|---|---|---|---|
| **1** | **Baris** | **age** | **education** | **marital** | **housing** | **loan** |
| **2** | 0 | 30 | secondary | married | yes | no |
| **3** | 1 | 33 | secondary | married | yes | no |
| **4** | ... | ... | ... | ... | ... | ... |

Tambahkan juga kolom **balance** (kolom G) untuk nanti diambil nilainya dari tetangga.

Baris target (baris 5): `age=42, education=tertiary, marital=single, housing=yes, loan=yes, balance=?`

#### Langkah 2: Konversi Ordinal (education) ke Numerik

Buat kolom bantu **H** untuk konversi `education`:

```
=IF(C2="primary",0, IF(C2="secondary",0.5, IF(C2="tertiary",1, "")))
```

Rumus ini menerapkan: $z = (r-1)/(m-1)$

| education | Hasil |
|---|---|
| primary | 0 |
| secondary | 0.5 |
| tertiary | 1.0 |

#### Langkah 3: Normalisasi Age (Min-Max)

Buat kolom bantu **I** untuk normalisasi `age`:

```
=( B2 - MIN(B$2:B$240) ) / ( MAX(B$2:B$240) - MIN(B$2:B$240) )
```

Rumus ini menerapkan: $x' = \frac{x - x_{min}}{x_{max} - x_{min}}$

Contoh: `age=42` → $(42-23)/(60-23) = 19/37 = 0.5135$

#### Langkah 4: Hitung Jarak Numerik + Ordinal (Euclidean)

Buat kolom **J** untuk $d_{num+ord}$:

```
=SQRT( (I$7-I2)^2 + (H$7-H2)^2 )
```

Di mana:
- `I$7` = age_normalized baris target
- `H$7` = education_normalized baris target
- `I2`, `H2` = nilai baris yang dibandingkan

#### Langkah 5: Hitung Jarak Kategorikal

Buat 3 kolom bantu untuk pencocokan kategorikal (misal **K, L, M**):

**Kolom K** (marital sama?):
```
=IF(D2=D$7, 1, 0)
```

**Kolom L** (housing sama?):
```
=IF(E2=E$7, 1, 0)
```

**Kolom M** (loan sama?):
```
=IF(F2=F$7, 1, 0)
```

Lalu buat kolom **N** untuk $d_{kat}$:

```
=(3 - (K2+L2+M2)) / 3
```

Rumus ini menerapkan: $d_{kat} = \frac{P - M}{P}$ di mana $P = 3$ kolom kategorikal.

#### Langkah 6: Hitung Jarak Total

Buat kolom **O** untuk $d_{total}$:

```
=J2 + N2
```

Ini menerapkan: $d_{total} = d_{num+ord} + d_{kat}$

#### Langkah 7: Urutkan dan Ambil 3 Terkecil

1. Pilih seluruh data
2. **Data → Sort** by kolom O (d_total) → **Smallest to Largest**
3. Ambil **3 baris teratas** sebagai tetangga terdekat

#### Langkah 8: Hitung Rata-Rata Balance (Imputasi)

```
=AVERAGE(G_tetangga1, G_tetangga2, G_tetangga3)
```

**Hasil yang diharapkan:** `1154.67`

---

### 16.3 Ringkasan Rumus Excel

| Komponen | Rumus Excel | Penjelasan |
|---|---|---|
| **Euclidean Distance** (Iris) | `=SQRT((B$7-B2)^2+(C$7-C2)^2+(D$7-D2)^2)` | Jarak 3 kolom numerik |
| **Konversi Ordinal** | `=IF(C2="primary",0,IF(C2="secondary",0.5,IF(C2="tertiary",1,"")))` | $z=(r-1)/(m-1)$ |
| **Normalisasi Min-Max** | `=(B2-MIN(B$2:B$240))/(MAX(B$2:B$240)-MIN(B$2:B$240))` | Skala 0–1 |
| **Jarak Num+Ord** | `=SQRT((I$7-I2)^2+(H$7-H2)^2)` | Euclidean pada kolom numerik + ordinal |
| **Pencocokan Kategorikal** | `=IF(D2=D$7,1,0)` | 1 jika sama, 0 jika beda |
| **Jarak Kategorikal** | `=(3-(K2+L2+M2))/3` | $(P-M)/P$ |
| **Jarak Total** | `=J2+N2` | $d_{num+ord} + d_{kat}$ |
| **Imputasi (rata-rata)** | `=AVERAGE(...)` | Rata-rata k tetangga terdekat |

### 16.4 Tips Penting di Excel

1. **Gunakan `$` (absolute reference)** pada sel baris target agar rumus tidak bergeser saat di-copy ke bawah. Contoh: `B$7` mengunci baris 7.
2. **Filter dulu** baris yang `education` bukan `primary/secondary/tertiary` (jika ada) sebelum menghitung.
3. **Jangan ikutkan baris target** dalam perhitungan jarak (jarak ke diri sendiri = 0, tidak bermakna).
4. Gunakan **Conditional Formatting** untuk mewarnai 3 jarak terkecil secara otomatis:
   - Pilih kolom jarak → **Home → Conditional Formatting → Top/Bottom Rules → Top 10 Items** → ubah ke **3** → pilih warna hijau.
5. Untuk dataset besar, gunakan fungsi **SMALL()** untuk menemukan jarak terkecil tanpa perlu sort:
   - `=SMALL(O2:O240, 1)` → jarak terkecil ke-1
   - `=SMALL(O2:O240, 2)` → jarak terkecil ke-2
   - `=SMALL(O2:O240, 3)` → jarak terkecil ke-3
6. Gunakan **INDEX-MATCH** untuk menemukan baris mana yang memiliki jarak tersebut:
   - `=INDEX(A2:A240, MATCH(SMALL(O2:O240,1), O2:O240, 0))` → nomor baris tetangga ke-1

---

## 17) Kesimpulan

1. **Dataset Iris** termasuk data numerik, sehingga missing value dapat diimputasi langsung menggunakan **Euclidean distance** → hasilnya: `petal_width = 0.2333`

2. **Dataset Bank** merupakan data campuran, sehingga:
   - Data ordinal (`education`) harus diubah menjadi numerik terlebih dahulu menggunakan rumus $z = (r-1)/(m-1)$
   - Data kategorikal (`marital`, `housing`, `loan`) dihitung menggunakan rasio ketidaksamaan $(P-M)/P$
   - Jarak total = jarak numerik/ordinal + jarak kategorikal
   - Hasilnya: `balance = 1154.67`

3. Jika ada missing value pada satu kolom, maka **kolom tersebut tidak diikutkan** dalam perhitungan jarak

4. Setelah semua jarak dihitung, dipilih **k = 3 tetangga terdekat**

5. Karena nilai yang diisi berupa numerik, maka digunakan **KNN Regression** (rata-rata dari tetangga terdekat)

6. Perhitungan KNN Imputation dapat dilakukan dengan **3 cara**: perhitungan manual (tulisan), **kode Python**, atau **Microsoft Excel** — ketiganya menghasilkan hasil yang sama