ABSTRAKSI: Missing value merupakan permasalahan yang paling sering dijumpai dalam analisis statistik. Missing value dalam jumlah yang banyak dapat menghilangkan sejumlah informasi yang seharusnya dibutuhkan untuk diolah. Salah satu metode penanganan missing value adalah dengan mengisikan suatu nilai yang masuk akal atau plausible kepada data-data yang missing. Nilai prediksi untuk mengisi missing value diperoleh dari informasi yang masih tersedia pada data. Metode ini disebut dengan metode imputasi. Salah satu metode imputasi yang dianalisis dalam Tugas Akhir ini adalah Fuzzy K-Means Clustering. Fuzzy K Means Imputation (FKMI) merupakan pengembangan dari K-means clustering dalam penerapan sistem fuzzy untuk mengimputasi missing value. Dalam fuzzy clustering, setiap objek data memiliki derajat keanggotaan yang menggambarkan tingkat tiap objek merupakan milik klaster tertentu. Pada tugas akhir ini FKMI diimplementasikan dan diujicoba untuk melakukan imputasi terhadap missing value. Performansi sistem imputasi diuji melalui parameter Normalized Root Mean Squared Error (NRMSE).
Pada tugas akhir ini juga dianalisis pengaruh imputasi data terhadap proses klasifikasi. Parameter performansi untuk pengujian meliputi, Precision, Recall dan F-measure. Berdasarkan hasil pengujian, FKMI terbukti sebagai salah satu algoritma imputasi yang handal karena dapat memprediksi nilai missing value mendekati nilai data yang sebenarnya.Kata Kunci : Fuzzy K-Means Imputation (FKMI), missing value, metode imputasiABSTRACT: Missing value is a common problem in statistical analysis. The existence of missing value could diminish some necessary and usefull data information. One of the ways in handling missing value is filling the missing data with the plausible value predicted from the available information in data. This method is called imputation method. One of the imputation methods that being analysed in this final paper is Fuzzy K-Means Clustering. Fuzzy K Means Imputation (FKMI) is the development of K-means clustering in the application of fuzzy systems for missing value imputation. In fuzzy clustering, each data object has a degree of membership that indicates the level of each object belongs to a particular cluster.
In this final paper, FKMI is implemented and tested to impute several percentage of missing value. The performance of imputation method is measured by Normalized Root Mean Squared Error parameter (NRMSE). The impact of data imputation to Classification process is also analysed. The performance parameter for this process are Precision, Recall and F-measure. Refers to the result of the experiment, FKMI is proved as a robust imputation method for handling missing value.Keyword: Fuzzy K-Means Clustering Imputation (FKMI), Missing Value, Imputation Method