IMPUTASI MISSING DATA DENGAN K-NEAREST NEIGHBOR DANALGORITMA GENETIKA

Abstract

Permasalahan yang sering muncul pada suatu data adalah adanya ketidaklengkapan data pada suatu variabel atau sering disebut dengan missing data. Untuk menangani missing data, salah satu cara yang dapat digunakan adalah dengan melakukan imputasi. Salah satu metode imputasi yang cukup sederhana adalah k-Nearest Neighbor (kNN). Namun salah satu kelemahan metode kNN adalah permasalahan dalam pemilihan nilai k karena pemilihan nilai k yang kurang tepat dapat menurunkan kinerja kNN. Penelitian ini mengkaji metode gabungan k-Nearest Neighbor dan Algoritma Genetika (kNN-GA) yang digunakan untuk mengestimasi nilai missing. Algoritma genetika digunakan untuk melakukan optimasi nilai k dan untuk melakukan seleksi variabel yang digunakan untuk estimasi nilai missingsehingga dapat menghasilkan nilai estimasi yang baik dengan Root Mean Square Error (RMSE) minimum. Hasil yang diperoleh menunjukkan bahwa metode imputasi kNN-GA dapat membantu dalam memperoleh nilai k optimum dan dapat melakukan seleksi variabel dengan baik sehingga dapat meningkatkan akurasi kNN