PERBANDINGAN PERFORMA METODE MULTIVARIATE IMPUTATION BY CHAINED EQUATIONS (MICE) DAN K-NEAREST NEIGHBOURS IMPUTATION (K-NNI) DALAM MENDUGA DATA HILANG PADA DATA UMKM

Data hilang merupakan masalah umum dalam analisis data, khususnya pada
konteks Usaha Mikro, Kecil, dan Menengah (UMKM), di mana kelengkapan
respons sering kali menjadi kendala dalam pengambilan keputusan. Penelitian ini
bertujuan untuk membandingkan performa metode Multivariate Imputation by
Chained Equations (MICE) dan K-Nearest Neighbours Imputation (K-NNI) dalam
mengimputasi nilai data hilang berdasarkan tiga mekanisme: Missing Completely
at Random (MCAR), Missing at Random (MAR), dan Missing Not at Random
(MNAR). Simulasi data dilakukan dengan berbagai persentase kehilangan data
yaitu 5%, 10%, 15%, 20%, dan 25% menggunakan dataset UMKM yang mencakup
variabel omzet, aset, modal, dan jumlah tenaga kerja. Hasil evaluasi menggunakan
metrik seperti Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan
Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa
metode MICE unggul pada persentase kehilangan data yang lebih tinggi yaitu 15%,
20%, dan 25% untuk mekanisme MCAR, sedangkan K-NNI lebih baik pada
kehilangan data rendah yaitu 5% dan 10%. Pada mekanisme MAR, metode MICE
semakin menunjukkan keunggulan pada persentase kehilangan data yang lebih
tinggi, terutama pada 25% kehilangan data. Sedangkan pada mekanisme MNAR,
MICE menunjukkan performa yang lebih stabil dibandingkan K-NNI pada
persentase kehilangan data tinggi. Nilai Mean Absolute Percentage Error (MAPE)
untuk kedua metode tetap di bawah 10% di semua kondisi simulasi, menunjukkan
tingkat akurasi estimasi yang baik. Secara keseluruhan, metode MICE lebih
direkomendasikan untuk mengatasi data hilang dengan persentase data hilang yang
tinggi karena menghasilkan kesalahan yang lebih kecil secara keseluruhan.
Kata Kunci: Data Hilang, Imputasi, MICE, K-NNI, MCAR, MAR, MNAR