Penanganan Missing Data Hujan Kabupaten Sumbawa
DOI:
https://doi.org/10.35746/bakwan.v5i1.749Keywords:
curah hujan, imputasi data, mean imputation, kekosongan dataAbstract
Ketersediaan data iklim yang lengkap dan akurat merupakan fondasi utama dalam mendukung kebijakan pembangunan berkelanjutan, mitigasi bencana, serta pengelolaan sumber daya alam. Namun, di Kabupaten Sumbawa, data curah hujan sering mengalami kendala missing value akibat gangguan perangkat, kesalahan pencatatan, hingga masalah teknis lainnya. Kondisi ini dapat mengganggu integritas analisis dan pengambilan keputusan strategis, terutama pada sektor pertanian dan tata kelola sumber daya air. Terdapat 4 ladang Gram produktif di Kabupaten Sumbawa yang memerlukan data peramalan cuaca terutama curah hujan harian dalam persiapan ladang untuk produksi garamnya, Penelitian ini dilakukan sebagai upaya konkret untuk mengatasi permasalahan hilangnya data hujan dengan menerapkan metode mean imputation, sebuah pendekatan konvensional namun efisien dalam mengisi kekosongan data. Melalui proses pengumpulan, pembersihan, dan pengolahan data dari Stasiun Meteorologi Sultan Muhammad Kaharuddin, diperoleh dataset curah hujan yang telah diimputasi dan siap digunakan untuk analisis lanjutan. Pengabdian masyarakat ini menunjukkan bahwa metode ini mampu menyusun kembali pola data yang semula terputus, tanpa mengorbankan konsistensi keseluruhan. Meskipun tergolong sederhana, pendekatan ini memberikan solusi praktis bagi instansi pengelola data dalam menghadapi masalah hilangnya data iklim. Sehingga data yang sudah terisi atau data hujan lengkap dapat digunakan untuk proses analisis lebih lanjut seperti misalnya peramalan hujan setiap hari dalam jangka waktu beberapa tahun kedepan menggunakan Jaringan Saraf Tiruan, sehingga hasil peramalan tersebut dapat bermaat bagi para petani garam, pengusaha tambak udang dan petani bawang di Lingkungan Kabupaten Sumbawa.
References
Pamuji, F. Y., Muslikh, A. R., Arief, R. M., & Muti, D. (2024). Komparasi Metode Mean dan KNN Imputation dalam Mengatasi Missing Value pada Dataset Kecil. Jurnal Informatika Polinema, 10(2), 257–264, https://doi.org/10.33795/jip.v10i2.5031
Sudrajat, W., & Cholid, I. (2023). K-Nearest Neighbor (K-NN) Untuk Penanganan Missing Value Pada Data UMKM. Jurnal Rekayasa Sistem Informasi Dan Teknologi, 1(2), 54–63, https://doi.org/10.59407/jrsit.v1i2.77
Sulistyaningrum, S., Firmansyah, H., Raharjo, E. B., & Nugroho, W. E. (2025). Penanganan Missing Value dan Perbandingan Performa Algoritma Naïve Bayes serta Algoritma Decision Tree dalam Kelulusan Mahasiswa. ALMUISY: Journal of Al Muslim Information System, 4(1), 21–26, https://journal.almuslim.ac.id/index.php/almuisy/article/view/187
Lattifian, T. (2022). Analisis Pengaruh Curah Hujan Terhadap Produksi Pertanian di NTB. Jurnal Iklim Tropika, 5(1), 34–45.
World Meteorological Organization (WMO). (2018). Guide to Climatological Practices (3rd ed.). WMO-No. 100.
Azur, M. J., Stuart, E. A., Frangakis, C., & Leaf, P. J. (2011). Multiple Imputation by Chained Equations: What is it and how does it work? International Journal of Methods in Psychiatric Research, 20(1), 40–49. https://doi.org/10.1002/mpr.329
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Anggreni Anggreni, Utari Ardhita, Nani Sulistianingsih, Arif Rahman

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