Orange: Interpolate - Revision history

Onnowpurbo at 08:43, 9 March 2020

2020-03-09T08:43:28Z

2020-03-09T04:51:28Z

Output

2020-03-09T04:37:12Z

2020-03-09T04:36:10Z

Output

2020-03-09T04:34:22Z

Output

2020-02-22T04:31:57Z

2020-02-22T01:28:31Z

2020-01-29T05:25:06Z

2020-01-25T05:40:48Z

2020-01-25T05:38:59Z

@@ Line 19: / Line 19: @@
 * Tipe Interpolasi. Kita dapat memilih salah satu dari linear, cubic spline, nearest, atau mean interpolation:
 ** Linear interpolation mengganti nilai yang hilang dengan linearly-spaced values antara dua data point yang terdekat dan terdefinisi.
-** Spline interpolation melaukan fitting dengan cubic polynomial ke nilai sekitar nilai yang hilang. Oleh karenanya, teknik ini akan sangat lambat sekali tapi akan mengberikan hasil terbaik.
+** Spline interpolation melaukan fitting dengan cubic polynomial ke nilai sekitar nilai yang hilang. Oleh karenanya, teknik ini akan sangat lambat sekali tapi akan memberikan hasil terbaik.
 ** Nearest interpolation mengganti nilai yang hilang dengan nilai yang sebelumnya terdefinisi.
 ** Mean interpolation mengganti nilai yang hilang dengan nilai rata-rata series.

@@ Line 17: / Line 17: @@
 [[File:Interpolate-stamped.png|center|200px|thumb]]
-* Interpolation type. You can select one of linear, cubic spline, nearest, or mean interpolation:
+* Tipe Interpolasi. Kita dapat memilih salah satu dari linear, cubic spline, nearest, atau mean interpolation:
-** Linear interpolation replaces missing values with linearly-spaced values between the two nearest defined data points.
+** Linear interpolation mengganti nilai yang hilang dengan linearly-spaced values antara dua data point yang terdekat dan terdefinisi.
-** Spline interpolation fits a cubic polynomial to the points around the missing values. This is a painfully slow method that usually gives best results.
+** Spline interpolation melaukan fitting dengan cubic polynomial ke nilai sekitar nilai yang hilang. Oleh karenanya, teknik ini akan sangat lambat sekali tapi akan mengberikan hasil terbaik.
-** Nearest interpolation replaces missing values with the previous defined value.
+** Nearest interpolation mengganti nilai yang hilang dengan nilai yang sebelumnya terdefinisi.
-** Mean interpolation replaces missing values with the series’ mean.
+** Mean interpolation mengganti nilai yang hilang dengan nilai rata-rata series.
 * Multi-variate interpolation interpolates the whole series table as a two-dimensional plane instead of as separate single-dimensional series.

@@ Line 25: / Line 25: @@
 * Multi-variate interpolation interpolates the whole series table as a two-dimensional plane instead of as separate single-dimensional series.
-Pada Widget Interpolate, nilai yang hilang pada nilai akhir series (awal dan ekor) selalu diinterpolasi menggunakan metode terdekat. Kecuali jika metode interpolasi diatur ke nearest, discrete time series (seperti sequences) selalu dikaitkan dengan mode deret (most frequent value).
+Pada Widget Interpolate, nilai yang hilang pada nilai akhir series (awal dan ekor) selalu diinterpolasi menggunakan metode terdekat. Kecuali jika metode interpolasi diatur ke nearest, discrete time series (seperti sequences) selalu dikaitkan dengan mode series (most frequent value).
 ==Contoh==

@@ Line 25: / Line 25: @@
 * Multi-variate interpolation interpolates the whole series table as a two-dimensional plane instead of as separate single-dimensional series.
-Nilai yang hilang pada nilai akhir series (awal dan ekor) selalu diinterpolasi menggunakan metode terdekat. Kecuali jika metode interpolasi diatur ke nearest, discrete time series (yaitu sequences) selalu dikaitkan dengan mode deret (most frequent value).
+Pada Widget Interpolate, nilai yang hilang pada nilai akhir series (awal dan ekor) selalu diinterpolasi menggunakan metode terdekat. Kecuali jika metode interpolasi diatur ke nearest, discrete time series (seperti sequences) selalu dikaitkan dengan mode deret (most frequent value).
 ==Contoh==

@@ Line 13: / Line 13: @@
   Interpolated time series: The input time series with any missing values interpolated according to the chosen interpolation method.
-Sebagian besar algoritma deret waktu mengasumsikan, anda tidak memiliki nilai yang hilang dalam data anda. Dalam widget ini, anda dapat memilih metode interpolasi untuk mengira-ngira nilai yang hilang. Secara default, ini adalah interpolasi linier (cepat dan masuk akal).
+Sebagian besar algoritma Time Series mengasumsikan, kita tidak memiliki nilai yang hilang dalam data kita. Dalam widget ini, kita dapat memilih metode interpolasi untuk mengira-ngira nilai yang hilang. Secara default, widget Interpolate akan menggunakan interpolasi linier (cepat dan masuk akal).
 [[File:Interpolate-stamped.png|center|200px|thumb]]

@@ Line 2: / Line 2: @@
-Induce missing values in the time series by interpolation.
+Mengira-ngira nilai yang hilang dalam time series dengan interpolasi.
 ==Input==
@@ Line 13: / Line 13: @@
   Interpolated time series: The input time series with any missing values interpolated according to the chosen interpolation method.
-Most time series algorithms assume, you don’t have any missing values in your data. In this widget, you can chose the interpolation method to impute the missing values with. By default, it’s linear interpolation (fast and reasonable default).
+Sebagian besar algoritma deret waktu mengasumsikan, anda tidak memiliki nilai yang hilang dalam data anda. Dalam widget ini, anda dapat memilih metode interpolasi untuk mengira-ngira nilai yang hilang. Secara default, ini adalah interpolasi linier (cepat dan masuk akal).
 [[File:Interpolate-stamped.png|center|200px|thumb]]

@@ Line 26: / Line 26: @@
 Missing values on the series’ end points (head and tail) are always interpolated using nearest method. Unless the interpolation method is set to nearest, discrete time series (i.e. sequences) are always imputed with the series’ mode (most frequent value).
-Example
 Pass a time series with missing values in, get interpolated time series out.
+[[File:Interpolate-ex1.png|center|200px|thumb]]

← Older revision		Revision as of 05:38, 25 January 2020
Line 14:		Line 14:

	Most time series algorithms assume, you don’t have any missing values in your data. In this widget, you can chose the interpolation method to impute the missing values with. By default, it’s linear interpolation (fast and reasonable default).		Most time series algorithms assume, you don’t have any missing values in your data. In this widget, you can chose the interpolation method to impute the missing values with. By default, it’s linear interpolation (fast and reasonable default).
		+
		+	[[File:Interpolate-stamped.png\|center\|200px\|thumb]]

	Interpolation type. You can select one of linear, cubic spline, nearest, or mean interpolation:		Interpolation type. You can select one of linear, cubic spline, nearest, or mean interpolation: