Komparasi Metode KNN Imputation Dan Random Forest Untuk Hasil Klasifikasi Data UMKM

Abstrak

UMKM memiliki peran penting dalam pertumbuhan ekonomi di Indonesia. Peningkatan UMKM yang dilakukan oleh pemerintah berdasarkan data yang tepat. Ketidak lengkapan data menjadi permasalahan dalam pengelolaan data UMKM. Penangannan Missing valus pada data UMKM menjadi penting. Metode imputasi adalah metode yang diambil dalam penanganan data yang hilang. Banyak peneliti telah melakukan penanganan data yang hilang dengan berbagai metode. Tujuan dari penelitian ini adalah membandingkan atau komparasi antara metode K-Nearest Neihbor dengan Imputation (KNNI dengan Random Forest dalam mengatasi data yang hilang pada dataset UMKM di salah satu kabupaten di Sumatera Selatan. Evaluasi dilakukan dengan menggunakan metode akurasi skor dan mean absolute percentage error (MAPE). Hasil penelitian kami menunjukkan bahwa imputasi Random Forest secara konsisten mengungguli imputasi KNN di berbagai skenario. Secara khusus, pendekatan Random Forest mencapai skor akurasi 0.9958, sementara skor KNN mencapai akurasi 0.9916. Selain itu, dengan menggunakan MAPE, Random Forest memiliki tingkat kesalahan rata-rata yang lebih rendah, yaitu sebesar 0.41%. Pada penelitian selanjutnya perlu dilakukan peningkatan untuk lebih meningkatkan hasil akurasi perlu dilakukan optimalisasi dari masing-masing metod.