ABSTRAKSI: Missing value merupakan salah satu penyebab suatu data dikatakan tidak valid atau masih merupakan data ‘kotor’. Missing value dengan jumlah banyak akan menghilangkan sejumlah informasi yang seharusnya dibutuhkan untuk diolah. Salah satu metode penanganan yang dapat dilakukan pada missing value adalah dengan mengisikan suatu nilai kepada data-data yang missing. Nilai untuk mengisi missing value diperoleh dengan prediksi dari informasi yang masih tersedia pada data. Metode ini disebut dengan metode imputasi. Salah satu metode imputasi yaitu K-Means Imputation (KMI). Metode ini adalah metode yang didasarkan pada algoritma K-Means yang biasa dipakai dalam proses clustering. KMI akan melakukan pengisian missing value dengan menghitung rata-rata nilai atribut dari data-data yang berada pada suatu cluster dimana data missing juga berada dan data-data tersebut haruslah memiliki kelas yang sama dengan yang dimiliki data missing. Pada tugas akhir ini, akan dicoba untuk melakukan imputasi missing value dengan menggunakan K-Means Imputation (KMI). Parameter yang akan diuji adalah root mean square error, precision, recall dan f-measure. Berdasarkan hasil pengujian, KMI terbukti dapat memprediksi nilai missing value mendekati nilai data yang sebenarnya pada data yang memiliki tingkat keragaman variasi nilai atribut kecil dan dapat meningkatkan hasil klasifikasi.
Kata Kunci : metode imputasi, K-Means Imputation (KMI), missing value.ABSTRACT: Missing value is one of causes that make the data is called invalid data. Data with many missing value, will take the necessary information is missing. One of the way to handle missing value is fill the missing data with the predict value from available information in data. This method is called imputation method. One of the imputation methods is K-Means Imputation (KMI). This algorithm based on K-Means algorithm that is usually used in clustering. KMI will fill missing value with calculate mean atribute value from datas in a cluster where data missing is belong and those datas have to have class atribute as same as with class missing value data. In this final project, it will try to imputate missing value with K-Means Imputation (KMI). Some parameters that will be tested are root mean square error, precision, recall and f-measure. Refers to the result of the experiment, KMI is proved predicting value approach to the real value for data which consist of few variation atributte value and it can make the classification result be better.
Keyword: imputation method, K-Means Imputation (KMI), missing value.