METODE IMPUTASI UNTUK MENGATASI DATA HILANG PADA ANALISIS KOMPONEN UTAMA NONLINIER DATA ORDINAL
Abstract: Analisi Komponen
Utama merupakan suatu usaha dalam analisis peubah ganda untuk mentransformasi p
peubah pengamatan menjadi k peubah baru yang saling bebas. Terdapat beberapa
jenis data yang digunakan dalam penelitian bidang sosial, yaitu nominal,
ordinal, interval, rasio, atau campuran. Jika jenis data yang digunakan adalah
nominal atau ordinal, maka analisis yang digunakan adalah Analisis Komponen
Utama Nonlinier. Salah satu permasalahan yang sering dihadapi dalam survei
dengan cara memberikan kuesioner adalah terdapat data hilang (missing data)
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 mendekati 1, dan menghasilkan nilai RMSE
paling kecil. Berdasarkan hasil penelitian ini, belum dapat ditunjukkan bahwa
semakin besar persentase data hilang maka nilai bobot peubah dan skor komponen
objek yang dihasilkan dari metode imputasi akan semakin berbeda dari nilai
bobot peubah dan skor komponen objek pada data lengkap.
Kata Kunci: Analisis Komponen
Utama Nonlinier, Forward Imputation, Mode Imputation, Median Imputation
Penulis: Nur Istiqomah, Solimun,
Rahma Fitriani
Kode Jurnal: jpmatematikadd130800
