MODEL INTEGRASI DATA DENGAN CLUSTERING DALAM BUSINESS INTELLIGENCE

SUDRAJAT, ANTONIUS WAHYU and Ermatita, Ermatita and Samsuryadi, Samsuryadi (2025) MODEL INTEGRASI DATA DENGAN CLUSTERING DALAM BUSINESS INTELLIGENCE. Doctoral thesis, Sriwijaya University.

	Text RAMA_21001_03013622025008_COVER.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (338kB)
	Text RAMA_21001_03013622025008.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (4MB) | Request a copy
	Text RAMA_21001_03013622025008_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (17MB) | Request a copy
	Text RAMA_21001_03013622025008_0013096707_0004027101_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text RAMA_21001_03013622025008_0013096707_0004027101_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text RAMA_21001_03013622025008_0013096707_0004027101_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (888kB) | Request a copy
	Text RAMA_21001_03013622025008_0013096707_0004027101_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (980kB) | Request a copy
	Text RAMA_21001_03013622025008_0013096707_0004027101_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (118kB) | Request a copy
	Text RAMA_21001_03013622025008_0013096707_0004027101_06_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (171kB) | Request a copy
	Text RAMA_21001_03013622025008_0013096707_0004027101_07_Lamp.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (161kB) | Request a copy

Abstract

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

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Ilmu Teknik , Teknik Informatika
Subjects:	T Technology > T Technology (General) > T58.5-58.64 Information technology > T58.6.E9 Management information systems -- Congresses.
Divisions:	03-Faculty of Engineering > 21001-Engineering Science (S3)
Depositing User:	Antonius Wahyu Sudrajat
Date Deposited:	19 May 2025 08:31
Last Modified:	19 May 2025 08:31
URI:	http://repository.unsri.ac.id/id/eprint/173223

Actions (login required)

View Item