Jago Data Tabel! 5 Teknik Feature Engineering Canggih Pakai LLM Ini

Oleh VOXBLICK

Sabtu, 25 Oktober 2025 - 09.20 WIB

Jago Data Tabel! 5 Teknik Feature Engineering Canggih Pakai LLM Ini

Teknik Feature Engineering Canggih LLM (Foto oleh Pavel Danilyuk)

VOXBLICK.COM - Pernahkah kamu merasa data tabel yang kamu punya itu sebenarnya punya potensi lebih, tapi bingung bagaimana cara menggalinya? Seringkali, data mentah, meskipun melimpah, belum siap sepenuhnya untuk langsung ‘disantap’ oleh model machine learning. Di sinilah peran krusial dari feature engineering, seni mengubah data mentah menjadi fitur yang lebih informatif dan prediktif. Dan kabar baiknya? Kamu bisa banget jadi jago data tabel dengan bantuan teknologi paling keren saat ini: Large Language Models (LLM)!

Mungkin kamu berpikir, "LLM kan buat teks, bagaimana bisa membantu data tabel?" Nah, justru di situlah letak keajaibannya! LLM punya kemampuan luar biasa dalam memahami konteks, menghasilkan teks, dan bahkan melakukan penalaran.

Potensi ini bisa kita manfaatkan untuk menciptakan fitur-fitur baru yang canggih dari data tabelmu, bahkan yang sebelumnya sulit diidentifikasi secara manual. Bersiaplah untuk meningkatkan performa modelmu dan melihat datamu dari sudut pandang yang sama sekali baru!

1. Mengembangkan Fitur Deskriptif dan Ringkasan

Bayangkan kamu punya kolom "deskripsi produk" yang panjang atau "ulasan pelanggan" yang berisi banyak teks. Secara tradisional, kamu mungkin akan menggunakan teknik TF-IDF atau Word2Vec.

Tapi, bagaimana jika kamu ingin ringkasan yang lebih bermakna atau kategori yang lebih tinggi? Di sinilah LLM bersinar. Kamu bisa meminta LLM untuk:

Meringkas kolom teks: Ubah deskripsi panjang menjadi ringkasan singkat yang menangkap esensi utama. Misalnya, dari "Laptop gaming dengan prosesor Intel i9, RAM 32GB, dan RTX 4090, cocok untuk game berat dan editing video profesional" menjadi "Laptop gaming performa tinggi."
Mengklasifikasikan atau mengkategorikan: Minta LLM untuk mengidentifikasi kategori produk, sentimen ulasan (positif, negatif, netral), atau tujuan komunikasi dari sebuah email. Ini sangat powerful untuk membuat fitur kategorikal baru dari data teks yang tidak terstruktur.
Menghasilkan fitur meta: Dari sebuah kolom "alamat", LLM bisa mengekstrak "jenis jalan" (jalan, gang, boulevard) atau "tingkat kepadatan area" berdasarkan deskripsi.

Tips Praktis: Gunakan prompt yang spesifik. Contoh: "Ringkaslah deskripsi produk berikut menjadi 5 kata kunci utama:" atau "Klasifikasikan ulasan ini sebagai positif, negatif, atau netral dan berikan alasannya:".

2. Mengekstraksi Entitas dan Hubungan dari Teks

Dalam banyak kasus, data tabelmu mungkin memiliki kolom teks yang mengandung informasi tersembunyi seperti nama orang, organisasi, lokasi, tanggal, atau bahkan hubungan antar entitas.

Mengekstraksi ini secara manual atau dengan regex bisa sangat melelahkan dan rentan kesalahan. LLM, dengan pemahaman bahasanya yang mendalam, bisa melakukannya dengan cepat dan akurat.

Named Entity Recognition (NER): LLM dapat mengidentifikasi dan melabeli entitas bernama dalam teks. Misalnya, dari "Dr. Budi Santoso dari PT Maju Jaya akan menghadiri konferensi di Jakarta pada 12 Desember," LLM bisa mengekstrak "Budi Santoso" (PERSON), "PT Maju Jaya" (ORGANIZATION), "Jakarta" (LOCATION), dan "12 Desember" (DATE).
Relationship Extraction: Setelah entitas diidentifikasi, LLM bahkan bisa membantu menemukan hubungan antar entitas tersebut. Contoh: "Siapa yang bekerja di PT Maju Jaya?" atau "Apa peran Dr. Budi Santoso?"

Tips Praktis: Siapkan teks dari kolom yang ingin kamu proses, lalu minta LLM untuk mengidentifikasi entitas tertentu atau semua entitas yang relevan. Kamu bisa meminta output dalam format JSON untuk memudahkan integrasi ke dalam tabelmu.

3. Mensintesis Fitur Kategorikal Baru yang Lebih Kaya

Kadang, kombinasi dari beberapa kolom bisa menghasilkan fitur baru yang jauh lebih informatif daripada kolom aslinya.

LLM bisa membantumu menggabungkan informasi dari berbagai kolom untuk menciptakan kategori atau label baru yang lebih kaya makna, bahkan dari data yang tampak tidak berhubungan.

Menggabungkan atribut: Misal, kamu punya kolom "ukuran produk" (S, M, L) dan "jenis bahan" (katun, poliester). LLM bisa membantu menciptakan fitur seperti "kenyamanan produk" berdasarkan kombinasi ini, atau "cocok untuk musim panas/dingin".
Menghasilkan label berdasarkan pola: Jika kamu punya data transaksi dengan "nama barang" dan "jumlah," LLM bisa membantu mengidentifikasi "kategori belanja" (misalnya, kebutuhan pokok, hiburan, investasi) yang lebih spesifik daripada kategori yang sudah ada.
Menciptakan fitur biner (flag): Berdasarkan kriteria kompleks dari beberapa kolom, LLM bisa membuat fitur biner seperti "pelanggan berpotensi churn" atau "transaksi mencurigakan."

Tips Praktis: Berikan LLM beberapa kolom sebagai input dan minta untuk menghasilkan sebuah label atau kategori baru.

Contoh: "Berdasarkan umur, pendapatan, dan riwayat pembelian, kategorikan pelanggan ini sebagai pelanggan baru, pelanggan setia, atau pelanggan berisiko tinggi."

4. Memperkaya Data dengan Informasi Eksternal yang Relevan

Salah satu kekuatan super LLM adalah pengetahuannya yang luas. Kamu bisa memanfaatkannya untuk memperkaya data tabelmu dengan informasi yang tidak secara eksplisit ada di dalamnya, tetapi relevan dan bisa diinferensi oleh LLM.

Geocoding dan Informasi Lokasi: Jika kamu punya nama kota atau negara, LLM bisa membantu menambahkan fitur seperti "benua," "zona waktu," atau bahkan "populasi perkiraan."
Informasi Demografi: Dari nama atau deskripsi pekerjaan, LLM bisa menginferensi "gender yang mungkin" atau "tingkat pendidikan yang relevan" (tentu saja dengan kehati-hatian terhadap bias).
Kontekstualisasi Industri: Jika kamu punya nama perusahaan, LLM bisa mengidentifikasi "industri utama," "ukuran perusahaan," atau "produk/layanan inti" yang dapat menjadi fitur berharga.

Tips Praktis: Penting untuk memverifikasi informasi yang dihasilkan LLM, terutama jika itu sensitif atau kritis.

Gunakan LLM sebagai alat bantu untuk mendapatkan ide fitur, lalu validasi dengan sumber data eksternal lainnya jika memungkinkan. Misalnya, berikan nama kota dan minta LLM untuk memberikan kode area atau iklim umum.

5. Fitur untuk Deteksi Anomali dan Pembersihan Data

Data yang kotor atau anomali bisa sangat merusak performa model. LLM tidak hanya bisa membantu membersihkan data, tetapi juga bisa menciptakan fitur yang secara khusus menandai potensi masalah data.

Mengidentifikasi Outlier: Minta LLM untuk meninjau serangkaian nilai atau deskripsi dan menandai yang "tidak biasa" atau "berpotensi salah." Misalnya, dalam kolom "umur", nilai 200 pasti anomali. LLM bisa mengidentifikasi ini dari konteks.
Menstandardisasi Format: Jika kamu memiliki kolom dengan format tanggal atau alamat yang tidak konsisten, LLM bisa membantu menstandardisasinya ke format yang seragam.
Menandai Data yang Hilang (Missing Data Imputation): Meskipun bukan imputasi langsung, LLM bisa membantu menciptakan fitur yang menandai bagaimana data hilang itu terjadi atau bahkan memberikan saran untuk imputasi.

Tips Praktis: Buat prompt yang jelas tentang apa yang kamu anggap "normal" dan "anomali." Contoh: "Berikut adalah daftar harga produk.

Tandai harga mana yang menurut Anda terlalu tinggi atau terlalu rendah dibandingkan yang lain, dan berikan alasan singkat: daftar harga." Fitur yang dihasilkan bisa berupa kolom biner is_anomaly.

Tips Tambahan untuk Implementasi Sukses

"Prompt Engineering" adalah Kunci: Semakin jelas dan spesifik prompt-mu, semakin baik hasil yang akan kamu dapatkan dari LLM. Eksperimenlah dengan berbagai formulasi.
Iterasi dan Validasi: Jangan langsung percaya 100% pada output LLM. Selalu validasi fitur baru yang dihasilkan dengan data yang kamu miliki dan pemahaman domainmu. Uji dampaknya pada performa modelmu.
Pertimbangkan Biaya dan Skalabilitas: Menggunakan LLM, terutama yang besar, bisa memerlukan biaya komputasi. Pertimbangkan ini saat kamu berencana untuk memproses dataset yang sangat besar. Untuk skala besar, mungkin kamu perlu menyaring atau memilih subset data.
Gunakan LLM sebagai Asisten, Bukan Pengganti: LLM adalah alat yang sangat ampuh untuk mempercepat dan memperkaya proses feature engineering, tetapi pemahaman domain dan intuisi manusia tetap tak tergantikan.

Mengintegrasikan LLM ke dalam alur kerja feature engineering-mu adalah langkah revolusioner untuk mengoptimalkan data tabel dan meningkatkan performa model machine learning-mu.

Dengan 5 teknik canggih ini, kamu tidak hanya akan membuat datamu lebih powerful, tetapi juga membuka peluang baru untuk mendapatkan wawasan yang sebelumnya tersembunyi. Jadi, tunggu apa lagi? Mulai bereksperimen dan jadilah jago data tabel sekarang juga!