Text

MODEL INTEGRASI DATA DENGAN CLUSTERING DALAM BUSINESS INTELLIGENCE

---

Penilaian

---

MODEL INTEGRASI DATA DENGAN CLUSTERING DALAM BUSINESS INTELLIGENCE Karya Tulis Ilmiah berupa Disertasi, 30 April 2025 Antonius Wahyu Sudrajat; dibimbing oleh Prof. Dr. Ermatita, M. Kom dan Samsuryadi S.Si., M.Kom., Ph.D. Program Studi Doktor Ilmu Teknik, Fakultas Teknik, Universitas Sriwijaya Data yang berkualitas sangat penting untuk mendukung pengelolaan dan pengembangan Usaha Mikro, Kecil, dan Menengah (UMKM) yang dilakukan oleh pemerintah. Namun, keterbatasan kemampuan pelaku UMKM dalam menyediakan data yang lengkap sering kali menjadi hambatan, sehingga data yang dikumpulkan mengandung banyak nilai hilang (missing values). Kondisi ini menimbulkan tantangan serius dalam proses analisis dan pengambilan keputusan berbasis data. Untuk mengatasi permasalahan nilai hilang tersebut, penelitian ini mengusulkan model baru dalam imputasi data hilang, yaitu Clustering and Normalization-based GAIN (CN￾GAIN), yang merupakan pengembangan dari metode Generative Adversarial Imputation Network (GAIN). Model ini mengintegrasikan dua tahap pra-pemrosesan penting, yaitu klasifikasi data berbasis klaster dan normalisasi-denormalisasi sebelum proses imputasi dilakukan oleh model GAIN. Penelitian ini mensimulasikan tiga jenis pola nilai hilang yang berbeda, yaitu: MAR (Missing At Random), MCAR (Missing Completely At Random), dan MNAR (Missing Not At Random). Setiap pola diuji menggunakan dua model, yaitu CN-GAIN dan GAIN sebagai baseline. Evaluasi dilakukan menggunakan empat metrik utama: Root Mean Squared Error (RMSE), vii Mean Squared Error (MSE), Mean Absolute Error (MAE) dan Akurasi. Hasil eksperimen menunjukkan bahwa model CN-GAIN menghasilkan performa yang lebih baik dibandingkan GAIN di seluruh kategori missing value. Beberapa temuan utama antara lain: Untuk kategori MNAR, CN-GAIN menurunkan nilai RMSE sebesar 48,78% dibanding GAIN, menandakan kemampuan adaptifnya dalam menghadapi data hilang yang tidak acak. Pada kategori MAR, model CN-GAIN mencatat penurunan MSE sebesar 99,60% dibandingkan baseline. Untuk metrik MAE, CN�GAIN mencatat penurunan error hingga 70% pada skenario MNAR, menunjukkan efisiensi dalam estimasi nilai hilang dengan akurasi tinggi. Pada kategori MCAR, CN�GAIN mencapai tingkat akurasi sangat tinggi hingga 1.0000 (100%), dibandingkan GAIN yang mencapai 0.9992. CN-GAIN terbukti unggul dalam mengimputasi data hilang pada berbagai pola missing value. Integrasi klasifikasi dan normalisasi sebagai langkah pra-pemrosesan mampu meningkatkan akurasi dan menurunkan tingkat kesalahan secara signifikan. Model ini sangat potensial untuk diterapkan dalam pengelolaan data UMKM yang tidak lengkap dan mendukung sistem pengambilan keputusan berbasis data di sektor publik maupun swasta. Kata Kunci: Missing values; GAIN method; normalization denormalization; imputation; UMKM data

---

Availability

Inventory Code	Barcode	Call Number	Location	Status
2507002799	T173223	T1732232025	Central Library (Reference)	Available but not for loan - Not for Loan

Detail Information

Series Title

-

Call Number

T1732232025

Publisher

: Prodi Doktor (S3) Ilmu Teknik, Teknik Sipil Universitas Sriwijaya., 2025

Collation

xiii, 53 hlm.; ill.; tab.; 29 cm.

Language

Indonesia

ISBN/ISSN

-

Classification

624.07

Content Type

-

Media Type

-

Carrier Type

-

Edition

-

Subject(s)

Teknik Sipil

Specific Detail Info

-

Statement of Responsibility

EM

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment