Perpustakaan Universitas Padjajaran
Pencarian Spesifik

Detail Cantuman

Image of PENANGANAN MISSING DATA DENGAN METODE IMPUTASI K-NEAREST NEIGHBOR DAN MUTUAL INFORMATION K-NEAREST NEIGHBOR

 

PENANGANAN MISSING DATA DENGAN METODE IMPUTASI K-NEAREST NEIGHBOR DAN MUTUAL INFORMATION K-NEAREST NEIGHBOR

Permasalahan Survei Produktivitas Tanaman Pangan khususnya komoditi
ubi kayu di Provinsi Lampung adalah terjadinya non-observational. Non­ ...

  • CodeCallNoLokasiKetersediaan
    01001150700006519.5 Sir PPerpustakaan Pusat (REF.14.91)Tersedia
  • Perpustakaan
    Perpustakaan Pusat
    Judul Seri
    -
    No. Panggil
    519.5P.5 Sir /R.14.91
    Penerbit Magister Statistika Terapan : Bandung.,
    Deskripsi Fisik
    xii, 52 hlm. ; il. ; 29 cm
    Bahasa
    Indonesia
    ISBN/ISSN
    -
    Klasifikasi
    519P.5 Sir
    Tipe Isi
    -
    Tipe Media
    -
    Tipe Pembawa
    -
    Edisi
    -
    Subyek
    Penanganan Missing Data dengan Metode Imputasi K­
    Info Detil Spesifik
    -
    Pernyataan Tanggungjawab
  • Permasalahan Survei Produktivitas Tanaman Pangan khususnya komoditi
    ubi kayu di Provinsi Lampung adalah terjadinya non-observational. Non­
    observational dapat berupa non coverage dan non response. Non coverage yang
    terjadi sudah tidak dapat diatasi namun nonrespon unit yang terjadi dapat
    dikurangi dengan tetap melakukan pencacahan untuk item pertanyaan yang
    menggunakan metode wawancara. Sedangkan untuk item pertanyaan dengan
    observasi langsung akan missing karena datanya tidak dapat diperoleh (item
    nonresponse). Item nonresponse dapat diatasi dengan metode imputasi. Metode
    imputasi yang digunakan adalah K-Nearest Neighbor Imputation (KNNI) dan Mutual
    Information K-Nearest Neighbor Imputation (MI-KNNI).

    Data produktivitas ubi kayu merupakan data lengkap sehingga terlebih dahulu
    dilakukan simulasi missing data sebanyak 1O,20,30,dan 40 persen dari total sampel
    sehingga dapat dibandingkan performa kedua metode ini pada tiap simulasi data hilang.
    Berdasarkan hasil pengolahan pada kedua metode bahwa semakin besar missing data
    yang terjadi maka rata-rata nilai RMSE nya juga semakin besar. Artinya semakin banyak
    data yang hilang maka tingkat akurasi kedua metode semakin berkurang. Rata-rata nilai
    RMSE metode imputasi MI-KNN relatif lebih kecil daripada metode imputasi KNN,
    artinya metode imputasi MI-KNN relatif lebih akurat dibandingkan dengan metode
    imputasi KNN dengan k optimum dari masing-masing metode. Jika menggunakan k
    optimum yang fixed dan sama antar kedua metode, diperoleh hasil bahwa metode
    imputasi MI-KNN cenderung memiliki rata-rata nilai RMSE yang stabil dibandingkan
    dengan metode imputasi KNN pada setiap perubahan nilai k optimum.

  • Tidak tersedia versi lain

  • Silakan login dahulu untuk melihat atau memberi komentar.


//

Informasi