Istiqomah, Nur (2013) Metode Imputasi Untuk Mengatasi Data Hilang Pada Analisis Komponen Utama Nonlinier Data Ordi. Sarjana thesis, Universitas Brawijaya.
Abstract
Analisis Komponen Utama Merupakan Analisis Peubah Ganda Untuk Mentransformasi P Peubah Asal Menjadi K Peubah Baru, Di Mana Antar Vektor Dari Peubah Baru Tersebut Adalah Saling Bebas. Jenis Data Yang Digunakan Dalam Penelitian Bisa Nominal, Ordinal, Interval, Rasio, Atau Campuran. Jika Jenis Data Yang Digunakan Adalah Nominal Atau Ordinal, Maka Analisis Yang Digunakan Merupakan Pengembangan Analisis Komponen Utama Yang Disebut Analisis Komponen Utama Nonlinier. Salah Satu Permasalahan Yang Sering Dihadapi Dalam Survei Dengan Cara Memberikan Kuesioner Adalah Terdapat Data Hilang Atau Data Tidak Lengkap. Apabila Persentase Data Hilang Cukup Besar Dan Pola Data Hilang Adalah Acak Atau Mcar ( Missing Completely At Random ), Pendugaan Terhadap Nilai Data Hilang (Metode Imputasi) Menjadi Alternatif Pilihan Yang Layak Untuk Dilakukan Agar Data Tersebut Menjadi Data Lengkap Dan Dapat Diproses Lebih Lanjut. Dalam Penelitian Ini, Dibandingkan Tiga Jenis Metode Imputasi Untuk Mengatasi Data Hilang Pada Data Ordinal. Metode Tersebut Adalah Median Imputation (Mei), Mode Imputation (Moi), Forward Imputation (Foi). Untuk Mengetahui Metode Terbaik, Maka Ketiganya Dibandingkan Menggunakan Nilai Kosinus (Korelasi) Dan Rmse ( Root Mean Square Error) . Metode Foi Lebih Baik Dari Mei Dan Moi Dalam Mengatasi Data Hilang Pada Data Ordinal Karena Menghasilkan Nilai Kosinus Paling Besar, Dan Menghasilkan Nilai Rmse Paling Kecil. Pada Penelitian Ini, Belum Dapat Dibuktikan Bahwa Semakin Besar Persentase Data Hilang Maka Nilai Bobot Peubah Dan Skor Komponen Objek Yang Dihasilkan Dari Metode Imputasi Juga Semakin Berbeda Dari Nilai Bobot Peubah Dan Skor Komponen Objek Pada Data Lengkap
English Abstract
Principal Component Analysis Is An Analysis Of Multiple Variables To Transform The P Original Variables Into K New Variables. Vectors Of The New Variables Are Independent. Data Used Was In The Research Can Be Nominal, Ordinal, Interval, Ratio, Or A Mixture. If The Type Of Data Is Nominal Or Ordinal, The Analysis Was Used Nonlinear Principal Component Analysis. One Of The Problems Often Encountered In The Survey Is Missing Data Or Incomplete Data . If Percentage Of Missing Data Is Large And The Pattern Is Random Or Mcar (Missing Completely At Random), Estimate The Value Of Missing Data ( Imputation Method ) Being A Viable Alternative So That The Data Is Complete And The Data Can Be Processed Further. In This Research, Compared Three Types Of Imputation Methods To Handling Missing Data On Ordinal Data . The Methods Are Median Imputation (Mei), Mode Imputation (Moi), Forward Imputation (Foi). To Determine The Best Method, Then All Three Methods Are Compared Using Cosine Values (Correlation) And Rmse (Root Mean Square Error). The Foi Method Better Than The Mei And Moi Method In Handling Missing Data On Ordinal Data, Because Foi Method Has The Greatest Value Of The Cosine, And Has The Smallest Rmse Value. In This Research, Has Not Been Proven That The More Large Percentage Of Missing Data Make Variable Loadings And Object Score Resulting From Imputation Methods Are Also Increasingly Different From The Variable Loadings And Object Scores On The Full Data.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2013/372/051400008 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 06 Jan 2014 07:48 |
| Last Modified: | 25 Oct 2021 02:43 |
| URI: | http://repository.ub.ac.id/id/eprint/153639 |
Preview |
Text
SKRIPSI_NUR_ISTIQOMAH_0910953007_STATISTIKA.pdf Download (6MB) | Preview |
Actions (login required)
 |
View Item |