Data, fitur, dan pemisahan yang jujur

Hasil belajar: memisahkan data menjadi latih, validasi, dan uji menurut waktu dan saat label diketahui, lalu menjelaskan dengan simulasi mengapa pemisahan acak terlalu optimis untuk panel dan deret waktu; mengenali tiga bentuk kebocoran (fitur yang baru diketahui sesudah kejadian, kontaminasi latih–uji, kebocoran di dalam rekayasa fitur) dan mendeteksinya dengan AUC satu fitur dan pemeriksaan data produksi; menulis bagi_waktu dan periksa_bocor sesuai kontrak; membangun fitur lag, jendela bergulir, gabungan point-in-time, dan target encoding yang tidak bocor, lalu praproses ColumnTransformer yang di-fit hanya pada data latih; menulis datasheet singkat.

Hasil lab: model.py berisi bagi_waktu dan periksa_bocor; laporan bocor yang membuang poin_hangus dengan alasan tertulis; baseline churn dan permintaan di atas pemisahan baku; DATASHEET.md. Data dan aturannya di kontrak proyek; contoh diuji dengan Python 3.12 dan 3.13, numpy 2.4.6, pandas 3.0.2, scikit-learn 1.8.0.