# Feature Engineering (Data Science & ML) > Encoding kategorikal, scaling, normalisasi, feature selection, pembuatan feature, pipelines - 22 pertanyaan wawancara - Mid-Level - [Pertanyaan Wawancara: Data Science & ML](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara.md) ## 1. Tipe encoding apa yang harus digunakan untuk variabel kategorikal nominal dengan sedikit kategori berbeda (kurang dari 10)? **Jawaban** One-Hot Encoding ideal untuk variabel nominal dengan sedikit kategori karena membuat kolom biner untuk setiap kategori tanpa memperkenalkan urutan buatan. Berbeda dengan Label Encoding yang memberikan angka (0, 1, 2...), One-Hot mencegah model menginterpretasikan hubungan ordinal yang tidak ada antar kategori. ## 2. Apa perbedaan utama antara StandardScaler dan MinMaxScaler? **Jawaban** StandardScaler memusatkan data di sekitar 0 dengan standar deviasi 1 (z-score), sedangkan MinMaxScaler menormalisasi data dalam rentang tetap, biasanya [0, 1]. StandardScaler kurang sensitif terhadap outlier karena menggunakan mean dan standar deviasi, sementara MinMaxScaler dapat sangat dipengaruhi oleh nilai ekstrem. ## 3. Scaler mana yang harus dipilih ketika data mengandung outlier yang signifikan? **Jawaban** RobustScaler menggunakan median dan rentang interkuartil (IQR) sebagai pengganti mean dan standar deviasi, membuatnya robust terhadap outlier. Nilai ekstrem tidak secara signifikan mempengaruhi statistik ini, berbeda dengan StandardScaler atau MinMaxScaler yang dapat sangat bias oleh outlier. ## 19 pertanyaan lagi tersedia - Apa itu Label Encoding dan kapan tepat untuk menggunakannya? - Masalah apa yang dapat ditimbulkan Target Encoding dan bagaimana cara menghindarinya? Daftar gratis: https://sharpskill.dev/id/login ## Topik wawancara Data Science & ML lainnya - [Dasar-dasar Python](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/python-basics.md): 25 pertanyaan, Junior - [Pemrograman Berorientasi Objek Python](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/python-oop.md): 20 pertanyaan, Junior - [Struktur Data Python](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/python-data-structures.md): 20 pertanyaan, Junior - [Dasar-Dasar Git](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/git-fundamentals.md): 18 pertanyaan, Junior - [Dasar-dasar SQL](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/sql-basics.md): 20 pertanyaan, Junior - [Dasar-Dasar NumPy](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/numpy-fundamentals.md): 22 pertanyaan, Junior - [Dasar-dasar Pandas](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/pandas-basics.md): 22 pertanyaan, Junior - [Jupyter & Google Colab](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/jupyter-colab.md): 16 pertanyaan, Junior - [SQL Joins & Kueri Lanjutan](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/sql-joins-advanced.md): 22 pertanyaan, Mid-Level - [Pandas Lanjutan](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/pandas-advanced.md): 24 pertanyaan, Mid-Level - [Visualisasi dengan Matplotlib & Seaborn](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/matplotlib-seaborn.md): 20 pertanyaan, Mid-Level - [Visualisasi Interaktif dengan Plotly](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/plotly-interactive.md): 18 pertanyaan, Mid-Level - [Statistik Deskriptif](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/statistics-descriptive.md): 20 pertanyaan, Mid-Level - [Statistik Inferensial](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/statistics-inferential.md): 24 pertanyaan, Mid-Level - [Web Scraping](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/web-scraping.md): 18 pertanyaan, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/bigquery-cloud.md): 18 pertanyaan, Mid-Level - [ML Terbimbing: Regresi](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/ml-supervised-regression.md): 24 pertanyaan, Mid-Level - [ML Terbimbing: Klasifikasi](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/ml-supervised-classification.md): 24 pertanyaan, Mid-Level - [Pohon Keputusan & Ensemble](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/ml-trees-ensembles.md): 24 pertanyaan, Mid-Level - [ML Tanpa Pengawasan](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/ml-unsupervised.md): 22 pertanyaan, Mid-Level - [Pipeline ML & Validasi](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/ml-pipelines-validation.md): 22 pertanyaan, Mid-Level - [Deret Waktu & Peramalan](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/time-series-forecasting.md): 22 pertanyaan, Mid-Level - [Dasar-Dasar Deep Learning](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/deep-learning-fundamentals.md): 24 pertanyaan, Senior - [TensorFlow & Keras](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/tensorflow-keras.md): 22 pertanyaan, Senior - [CNN dan klasifikasi gambar](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/cnn-image-classification.md): 24 pertanyaan, Senior - [RNN & Sekuens](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/rnn-sequences.md): 22 pertanyaan, Senior - [Transformers & Attention](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/transformers-attention.md): 24 pertanyaan, Senior - [NLP & Hugging Face](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/nlp-huggingface.md): 24 pertanyaan, Senior - [GenAI & LangChain](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/genai-langchain.md): 24 pertanyaan, Senior - [MLOps dan Deployment](https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/mlops-deployment.md): 24 pertanyaan, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/id/technologies/data-science/pertanyaan-wawancara/feature-engineering