PERBANDINGAN IMPUTASI MISSING DATA MENGGUNAKAN METODE MEAN DAN METODE ALGORITMA K-MEANS
Teks penuh
Gambar
Dokumen terkait
Keacakan missing data dapat dibagi ke dalam tiga tipe [5] yaitu : (1) Missing Completely at Random (MCAR) , yaitu terjadinya missing data tidak bergantung
Dari Gambar 6.3 dapat diketahui bahwa semakin banyak data training yang digunakan akan membuat rata-rata iterasi untuk mencapai satu kali konvergen pada algoritma
a) Pengujian dilakukan dengan memberikan nilai cluster yang berbeda-beda diantaranya: 5, 10, 15, dan 20. c) Citra acuan yang digunakan adalah citra yang tersimpan di dalam
Hasil penelitian ini menunjukkan bahwa rata-rata jumlah iterasi yang diperoleh dari 10 kali pengujian dengan menggunakan K-Means konvensional diperoleh rata-rata sebesar 32
dengan rata-rata selisih jarak pada jarak sebenarnya 2,42 meter, adapun selisih jarak dari kedua metode yang didapat adalah 1,27 meter, dan penentuan klastering data yang
( , ) = ∑ − (1) ( , ) adalah jarak antara observasi yang mengandung missing data dengan observasi yang tidak mengandung missing data, adalah nilai dari variabel ke-j
Pada data simulasi 1, metode hibrida ANN-GA dapat menghasilkan nilai RMSE yang lebih kecil daripada metode imputasi KNNI dan hibrida KNNI-GA untuk seleksi maupun pembobotan
a) Pengujian dilakukan dengan memberikan nilai cluster yang berbeda-beda diantaranya: 5, 10, 15, dan 20. c) Citra acuan yang digunakan adalah citra yang tersimpan di dalam
