Electronic Theses and Dissertation

Keberadaan data yang tidak lengkap atau kosong dalam analisis data dapat menjadi hambatan dalam memahami dan menginterpretasikan pola serta tren. interpolasi sebagai teknik matematis memungkinkan kita untuk memproyeksikan atau mengisi data yang hilang berdasarkan data yang tersedia. pemilihan metode interpolasi yang tepat menjadi tahap kritis dalam mengatasi data yang hilang. data iklim merupakan salah satu dataset yang kerap ditemukan data yang hilang. menginterpolasi data iklim yang hilang di kabupaten aceh utara merupakan masalah penting yang mempengaruhi perencanaan pertanian dan pengelolaan lingkungan. penelitian ini melihat ada tidaknya perbedaan antara interpolasi linier, spline, stineman, dan moving average metode dalam menangani data hilang dan melihat metode mana yang paling efektif dalam menangani data hilang pada data iklim di kabupaten aceh utara. hasil penelitian menunjukkan bahwa pada variabel curah hujan, metode interpolasi linier, spline, stineman, dan moving average menunjukkan perbedaan dalam menangani data hilang pada persentase kehilangan data 10%, 20%, dan 30%. namun, pada variabel lainnya, keempat metode tersebut tidak menunjukkan perbedaan. hasil metrik evaluasi menunjukkan bahwa interpolasi linier merupakan metode yang paling unggul dalam memberikan hasil prediksi yang paling mendekati nilai sebenarnya dengan nilai mae, rmse, dan mase yang lebih rendah. nilai mae untuk interpolasi linier pada persentase kehilangan data 10%, 20%, dan 30% masing-masing adalah 0,2181; 0,4581; 0,6665, rmse adalah 1,2379; 1,9135; 2,2284, dan mase adalah 0,1695; 0,3567; 0,5313.

The presence of incomplete or blank data in data analysis can be an obstacle in understanding and interpreting patterns and trends. Interpolation as a mathematical technique allows us to project or fill in missing data based on the available data. Choosing the right interpolation method is a critical step in overcoming missing data. Climate data is one of the datasets where missing data is often found. Interpolating missing climate data in North Aceh District is an important issue that affects agricultural planning and environmental management. This study looks at whether there is a difference between linear interpolation, spline, stineman, and moving average methods in handling missing data and sees which method is most effective in handling missing data on climate data in North Aceh District. The results showed that in the rainfall variable, the linear interpolation, spline, stineman, and moving average methods showed differences in handling missing data at a percentage of data loss of 10%, 20%, and 30%. However, on other variables, the four methods showed no difference. The results of the evaluation metrics show that linear interpolation is the most superior method in providing prediction results that are closest to the true value with lower MAE, RMSE, and MASE values. The MAE values for linear interpolation at 10%, 20%, and 30% data loss percentage are 0.2181, 0.4581, 0.6665, respectively, RMSE is 1.2379, 1.9135, 2.2284, and MASE is 0.1695, 0.3567, 0.5313