KLASIFIKASI RANDOM FOREST DENGAN PERBAIKAN MISSING VALUE K-NEAREST NEIGHBOR IMPUTATION (KNNI) PADA PENYAKIT DIABETES

Abstract

Pada saat melakukan survei data penghilangan nilai atau tidak lengkapnya data dapat terjadi, sehingga metode analisis yang tersedia hanya dapat bekerja dengan data lengkap. Pada penelitian ini melakukan penghilangan nilai dengan jumlah proporsi penghilangan yaitu 10%, 20?n 30%. Tujuan dari penelitian ini yaitu untuk mengetahui hasil akurasi dari imputasi data hilang dengan K-NNI menggunakan klasifikasi Random Forest dan klasifikasi Random Forest tanpa imputasi. Metode penelitian dilakukan dengan Dataset publik Pima Indian Diabetes lalu dengan data yang lengkap dilakukan pengosongan data menggunakan MCAR (Missing Completely At Random). Kemudian, dilakukan 2 model yaitu yang pertama imputasi data hilang dengan K-NNI dan klasifikasikan dengan Random Forest. Kedua, klasifikasi Random Forest tanpa imputasi. Berdasarkan dari hasil akurasi K-NNI menggunakan klasifikasi Random Forest didapatkan akurasi terbaik pada penghilangan nilai sebanyak 10?n nilai K = 6 yaitu sebesar 82,17?ngan presisi 76,71%, recall 70,00?n f1-Score 73,20%. Kemudiann untuk hasil akurasi dari klasifikasi Random Forest tanpa imputasi didapatkan pada penghilangan nilai 10% sebesar 80,00?ngan presisi 64,52%, recall 68,97?n f1-Score 66,67%. Namun, pada pengujian missing data tanpa imputasi K-NNI menggunakan klasifikasi Random Forest memperoleh hasil yang tidak lebih baik dari hasil akurasi K-NNI menggunakan klasifikasi Random Forest.