OPTIMALISASI PENANGANAN SPARSITY MENGGUNAKAN RANDOM FOREST, DEEP LEANING, DAN HOT-DECK IMPUTATION

Sri Lestari, Rafli Banu Satrio, Hendra Kurniawan, Sushanty Saleh

Abstract


Sparsity data dalam sistem rekomendasi dapat menurunkan akurasi prediksi dan relevansi saran. Penelitian ini membandingkan tiga metode imputasi—Random Forest Imputation, Deep Learning-Based Imputa-tion, dan Hot-Deck Imputation—dengan evaluasi menggunakan RMSE pada berbagai tingkat sparsitas. Hasil menunjukkan bahwa Random Forest Imputation consistently menghasilkan RMSE terendah di semua kondisi. Pada sparsitas 20%, metode ini lebih unggul dibandingkan Deep Learning-Based Imputation dengan selisih hingga 0.443 dan Hot-Deck Imputation hingga 0.338. Perbedaan RMSE se-makin meningkat seiring bertambahnya sparsitas, dengan selisih terbesar pada sparsitas tertinggi masing-masing dataset. Secara kese-luruhan, Random Forest Imputation terbukti paling efektif dalam me-nangani sparsitas dan meningkatkan akurasi rekomendasi.

Keywords


Sparsity, Imputation, Missing Value, Random Forest, Deep-Learning, Hot-Deck

Full Text:

PDF

References


Abdillah, A. F., Purwitasari, D., Junita, S., & Purnomo, M. H. (2023). Pengenalan Entitas Biomedis Dalam Teks Kon-sultasi Kesehatan Online Berbahasa Indonesia Berbasis Arsitektur Transformers. 10(1), 131–140. https://doi.org/10.25126/jtiik.2023106337

Fadillah, I. J., Muchlisoh, S., Statistika, P., & Stis, P. S. (n.d.). Perbandingan Metode Hot-Deck Imputation dan Metode KNNI dalam Mengatasi Missing Values (Fadillah dan Muchlisoh) Perbandingan Metode Hot-Deck Imputa-tion Dan Metode Knni Dalam Mengatasi Missing Values Penerapan Pada Data Susenas Maret Tahun 2017 (Com-parison of Hot-deck Imputation Method and KNNI Method in Overcoming Missing Values).

Fathirachman Mahing, N., Gunawan, A. L., Foresta, A., Zen, A., Abdurrachman Bachtiar, F., Wicaksono, S. A., Brawijaya, U., & Korespondensi, P. (n.d.). Klasifikasi Tingkat Stres Dari Data Berbentuk Teks Dengan Menggunakan Algoritma Support Vector Machine (SVM) Dan Random Forest. https://doi.org/10.25126/jtiik2024118010

Hong, S., & Lynn, H. S. (2020). Accuracy of random-forest-based imputation of missing data in the presence of non-normality, non-linearity, and interaction. BMC Medical Research Methodology, 20(1). https://doi.org/10.1186/s12874-020-01080-1

Hu, J., & Szymczak, S. (2022). A review on longitudinal data analysis with random forest in precision medicine. https://doi.org/10.1093/bib/bbad002

Im, J., Cho, I. H., & Kim, J. K. (n.d.). FHDI: An R Package for Fractional Hot Deck Imputation.

Khusnul Khotimah, B., Syarief, M., Suprajitno, H., & Korespondensi, P. (2021). Optimasi Bobot K-Means Clustering Untuk Mengatasi Missing Value Dengan Menggunakan Algoritma Genetika Optimization Weight Of K-Means Clus-tering To Overcome Missing Value Using Genetic Algorithm. 8(4). https://doi.org/10.25126/jtiik.202184912

Korespondensi, P. (2021). Peningkatan Kinerja Metode Svm Menggunakan Metode Knn Imputasi Dan K-Means-Smote Untuk Klasifikasi Kelulusan Mahasiswa Universitas Bumigora. 8(4). https://doi.org/10.25126/jtiik.202183428

Oktafiani, R., & Rianto, R. (2023). Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata. Jurnal Nasional Teknologi Dan Sistem Informasi, 9(2), 113–121. https://doi.org/10.25077/teknosi.v9i2.2023.113-121

Potluri, V., Singanamalla, S., Tieanklin, N., & Mankoff, J. (2023, October 22). Notably Inaccessible - Data Driven Understanding of Data Science Notebook (In)Accessibility. ASSETS 2023 - Proceedings of the 25th International ACM SIGACCESS Conference on Computers and Accessibility. https://doi.org/10.1145/3597638.3608417

Sejati, P., Pilliang, M., & Akbar, H. (2022). Studi Komparasi Naive Bayes, K-Nearest Neighbor, Dan Random Forest Untuk Prediksi Calon Mahasiswa Yang Diterima Atau Mundur. 9(7), 1341–1348. https://doi.org/10.25126/jtiik.202296737

Selle, N., Yudistira, N., & Dewi, C. (2022). Perbandingan Prediksi Penggunaan Listrik Dengan Menggunakan Metode Long Short Term Memory (Lstm) Dan Recurrent Neural Network (Rnn). 9(1), 155–162. https://doi.org/10.25126/jtiik.202295585

Seto Arifianto, A., Dewi Safitri, K., Agustianto, K., Wiryawan, G., & Jember, P. N. (n.d.). Pengaruh Prediksi Missing Value Pada Klasifikasi Decision Tree C4.5. https://doi.org/10.25126/jtiik.202294778

Sza, S., Larasati, A., Nuraida, E., Dewi, K., Farhansyah, B. H., Abdurrachman Bachtiar, F., Pradana, F., Brawijaya, U., & Korespondensi, P. (n.d.). Penerapan Decision Tree Dan Random Forest Dalam Deteksi Tingkat Stres Manusia Berdasarkan Kondisi Tidur. https://doi.org/10.25126/jtiik.2024117993

Yang, Y., Kim, J. K., & Cho, I. H. (2022). Parallel Fractional Hot-Deck Imputation and Variance Estimation for Big Incomplete Data Curing. IEEE Transactions on Knowledge and Data Engineering, 34(8), 3912–3926. https://doi.org/10.1109/TKDE.2020.3029146

Lestari, S., Afdila, M. E., & Pratama, Y. A. (2023). Imputation Missing Value to Overcome Sparsity Problems in The Recommendation System. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 7(6), 1285-1291.

Lestari, S., Yulmaini, A., Ma’ruf, S. Y., & Sulyono, R. R. N. F. (2024). Alleviating cold start and sparsity problems in the micro, small, and medium enterprises marketplace using clustering and imputation techniques. International Journal of Electrical and Computer Engineering (IJECE), 14(3), 3220-3229.

Hasibuan, M. S., Firmansyah, Y. A., Lestari, S., Yusendra, M. A. E., Rahmawati, L., & Nugroho, Y. S. D. A. (2023, July). Strategy for Community Empowerment Through an Integrated Waste Bank. In 2023 International Confer-ence on Smart Applications, Communications and Networking (SmartNets) (pp. 1-4). IEEE.

Ifada, N., & Pratama, R. A. (2024). Studi Literatur Penerapan Clustering Data Numerik Untuk Sistem Rekomendasi Berbasis Collaborative Filtering. Jurnal CoSciTech (Computer Science and Information Technology), 5(2), 418-428.

Samosir, A., Justino, W. E., & Hariyono, T. (2021). Komparasi Algoritma Random Forest, Naïve Bayes dan K- Near-est Neighbor Dalam klasifikasi Data Penyakit Jantung.




DOI: https://doi.org/10.29100/jipi.v11i1.7692

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
Universitas Bhinneka PGRI

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.