Detail buku

No BukuT.ITS.2011.109
UniversitasITS
PenulisAchmad Syahrul Choir
Judul BukuIMPUTASI BERGANDA K-MEDOID GENERAL REGRESSION NEURAL NETWORK untuk menangani MISSINGDATA.
PembimbingDr.Dr.Drs. Brodjol Sutiji Suprih Ulama, M.Si
AbstrakABSTRAK INDONESIA : Missing data sering terjadi pada sebagian hasil survei. Analisis statistik yang didasarkan pada data lengkap tidak bisa diterapkan pada data survei yang di dalamnya terdapat missing data. Salah satu langkah mengatasi adanya missing data adalah dengan imputasi, yakni mengisi missing data dengan suatu nilai. Imputasi berganda General Regression Neural Network (GRNN) adalah metode imputasi dengan pendekatan non parametrik. Permasalahan dalam GRNN adalah menentukan smoothing Factor. Permasalahan lainnya, jumlah unit lapisan pattern dalam metode GRNN pada umumnya tergantung jumlah data. Hal ini tidaklah praktis untuk data yang besar. Penelitian ini bertujuan untuk mendapatkan bobot input data GRNN dengan metode K-Medoid dan Smooting Factor bernilai 0.5, metode Gap Based serta Normal Reference Rule (NRR) dan menerapkan GRNN ini untuk melakukan imputasi berganda pada data survei. Penelitian ini diawali dengan membuat simulasi Missing data pada data Survei Tahunan Industri Besar dan Sedang Jawa Timur 2008 dengan tipe missing Completely at Randon (MCAR dan Missing at Random (MAR). Kemudian Missing Data hasil simulasi diimputasi dengan metode Imputasi Berganda K-Medoid General Regression Neural Network (GRNN). Sedangkan prosedur dari K-Medoid GRNN adalah dengan mengelompokan data dengan metode K-Medoid sehingga diperoleh nilai pusat setiap kelompok, masing-masing kelompok dihitung nilai Smooting Factor bernilai 0.5,metode Gap Based dan NRR. Hasilnya adalah Imputasi Berganda K-Medoid GRNN dengan Smooting Factor NRR dan jarak Mahalanobis merupakan metode GRNN terbaik dalam melakukan imputasi berganda. Kata Kunci: Imputasi Berganda, GRNN, Mahalanobis, K-medoid, Normal Reference Rule. ABSTRAK INGGRIS : Misssing data frequently occur in most of the survey results. Statistical analysis based on incomplete data can not be applied to survey data in which there is missing data. One step to handle the missing data is imputation, the filling missing data with a value. Multiple imputation of General RegressionNeural Network (GRNN) is the imputation method with non-parametric approach. Problems in the GRNN is to determine to smooting factor. Other problems, the nember of units in the pattern layer GRNN method generally depends on the amount of data. This is not practical for large data. This study aims to gain weight GRNN input on the K-Medoid and the smooting factor 0,5, Grap-Based method and the Normal Reference Rule (NRR) and applying the GNRR is to perform multiple imputation on the survey data. This study begins with a simulation of missing data on the Annual Survey of Large and Meedium Manufacturing-East Java, 2008 with the type of Missing Completely at Random (MCAR) and Missing at Random (MAR). then the simulation missing are imuted by K-Medoid General Regression Neural Network (GRNN) Multiple Imputation. While the procedure of the K-Medoid GRnN is by clustering the data with K-Medoid method for estimating the value of the center of each group, the value of smooting factor NRR and Mahalanobis distance is the best GRNN method of doing multiple imputation. Keywords : Multiple Imputation, GRNN, Mahalanobis Distance, K-medoid, Normal Reference
JenisThesis