Perbandingan Metode Penanganan Missing Value terhadap Hasil Klasifikasi Data

Abstract

Missing value merupakan permasalahan umum dalam pengolahan data yang dapat mempengaruhi kualitas analisis serta akurasi model klasifikasi. Penelitian ini bertujuan untuk membandingkan beberapa metode penanganan missing value berdasarkan pengaruhnya terhadap kinerja model klasifikasi. Metode imputasi yang digunakan meliputi mean, median, dan K-Nearest Neighbor (KNN). Dataset yang digunakan adalah data mahasiswa yang mencakup atribut akademik dan non-akademik. Model klasifikasi yang diterapkan adalah Decision Tree, dengan evaluasi kinerja menggunakan metrik akurasi, precision, dan recall. Hasil penelitian menunjukkan bahwa perbedaan metode imputasi memberikan pengaruh yang signifikan terhadap performa model klasifikasi. Metode KNN menghasilkan kinerja terbaik dalam meningkatkan akurasi model dibandingkan metode lainnya. Dengan demikian, pemilihan metode penanganan missing value yang tepat memiliki peran penting dalam meningkatkan kualitas hasil klasifikasi. Penelitian ini diharapkan dapat menjadi referensi dalam pemilihan teknik imputasi yang optimal untuk mendukung pengambilan keputusan berbasis data