Perpustakaan Universitas Padjajaran
Pencarian Spesifik

Detail Cantuman

Image of IMPUTASI MISSING VALUE PADA DATA YANG MENGANDUNG OUTLIER

 

IMPUTASI MISSING VALUE PADA DATA YANG MENGANDUNG OUTLIER

Missing data merupakan salah satu pennasalahan yang sering terjadi pada
sebuah survey. Imputasi adalah pilihan penanganan missing data yang ...

  • CodeCallNoLokasiKetersediaan
    01001100700150519.5 Mar i/R.14.52Perpustakaan Pusat (REF.14.52)Tersedia
  • Perpustakaan
    Judul Seri
    -
    No. Panggil
    519.5 Mar i/R.14.52
    Penerbit Magister Statistika Terapan : Bandung.,
    Deskripsi Fisik
    x,; 40 hlm,;29,4cm
    Bahasa
    Indonesia
    ISBN/ISSN
    -
    Klasifikasi
    519.5
    Tipe Isi
    -
    Tipe Media
    -
    Tipe Pembawa
    -
    Edisi
    -
    Subyek
    Imputasi Missing Value pada Data yang Mengandung
    Info Detil Spesifik
    -
    Pernyataan Tanggungjawab
  • Missing data merupakan salah satu pennasalahan yang sering terjadi pada
    sebuah survey. Imputasi adalah pilihan penanganan missing data yang paling
    bijak dari pada membuang sebagian observasi atau variabel yang mengandung
    missing value, mengingat bahwa data sangat mahal dan berharga. Penanganan
    missing value pada sekumpulan data yang terdapat outlier menjadi perhatian
    khusus karena sebagian besar metode imputasi dengan mekanisme Missing at
    Random (MAR) dan Missing Completely at Random (M CAR) mengasumsikan
    data berdistribusi normal multivariat. Asumsi ini menjadi tidak valid ketika
    terdapat outlier pada data, sehingga sebaiknya menggunakan metode imputasi
    berdasarkan estimasi yang robust terhadap outlier. Metode Predictive Mean
    Matching (PMM) adalah salah satu altematif metode imputasi komposit,
    penggabungan metode imputasi regresi dengan metode imputasi nearest
    neighbour, yang mengasumsikan data berasal dari distribusi normal multivariat.
    Ketika asumsi normalitas dilanggar, PMM menghasilkan nilai hasil imputasi yang
    tidak masuk akal dan statistik Efficiency Relative yang lebih rendah dibandingkan
    dengan metode imputasi regresi Least Trimmed Squares (LTS). Metode imputasi
    regresi LTS merupakan penggabungan algoritma LTS dan algoritma imputasi
    regresl.

    Abstract

    Missing data is the most frequent problem that occurs in a survey. Thus,
    imputation is a prudent alternative of handling the missing data instead of
    reducing the number of observations or variables due to its cost achieved and
    value. The treatment of the missing data in the presence of outlier becomes the
    major problem which is the most imputation method based on the Missing at
    Random (MAR) and Missing Completely at Random (MCAR) mechanism.
    Moreover, it assumes data originated .from a multivariate normal distribution,
    which is no longer valid in the presence of outliers in the data. For instance,
    Predictive Mean Matching (PMM), a combination of regression imputation
    method and the nearest neighbour method, assumes the data originated from a
    multivariate normal distribution. When the normality assumption is violated, the
    predictive mean matching method does not yield plausible imputed values plus the

  • Tidak tersedia versi lain

  • Silakan login dahulu untuk melihat atau memberi komentar.


Informasi