Penerapan Metode k-Nearest Neighbor dengan Optimasi Algoritma Genetika untuk Menduga Data Hilang

Abstract

Data curah hujan sangat dibutuhkan dalam bidang pertanian, perairan, penerbangan, dan lain sebagainya. Penyediaan data curah hujan yang mengandung banyak nilai yang hilang merupakan masalah yang cukup serius. Adanya data hilang sangat berpengaruh pada analisis lanjut terhadap data tersebut, yaitu informasi yang ada akan ikut hilang bersama dengan nilai yang hilang. Metode yang dapat digunakan untuk menduga data hilang antara lain adalah k-Nearest Neighbor (kNN) yang biasanya digunakan pada klasifikasi. Namun kNN memiliki kelemahan seperti pemilihan nilai 𝑘������ dan penggunaan peubah yang apabila tidak tepat akan menyebabkan pendugaan tidak efektif. Algoritma genetika merupakan algoritma pencarian solusi terbaik yang mengikuti prinsip yang kuat yang bertahan. Penelitian ini menggunakan metode kNN sederhana dan kNN dengan optimasi algoritma genetika (kNN-AG) untuk menduga curah hujan harian yang datanya disimulasikan hilang. Adapun pendugaan dibagi menjadi 3 kombinasi yaitu data hilang dalam satu tahun, dua tahun dan tiga tahun. Pendugaan dengan metode kNN sudah cukup baik, namun kNN-AG mampu menurunkan nilai MAD, RMSE, dan MAPE pada semua pendugaan. Pada kNN, nilai 𝑘������ yang menghasilkan kesalahan lebih kecil biasanya berada pada nilai-nilai 𝑘������ yang besar, sedangkan pada kNN-AG nilai 𝑘������ optimal berdasarkan iterasi justru biasanya pada nilai 𝑘������ yang kecil karena menghasilkan kesalahan yang lebih kecil. Baik pada metode kNN ataupun kNN-AG, pendugaan data hilang yang lebih dari satu tahun akan menurunkan ragam dari kesalahannya, walaupun rataannya lebih besar. Meskipun demikian kNN-AG memiliki nilai penduga yang lebih konsisten karena ragam kesalahan yang dihasilkan dari kNN-AG lebih kecil dibandingkan metode kNN.