1. Ignore the tuple. This is usuall

1. Ignore the tuple. This is usually done when the class label is missing
(that is, assuming the mining task involves classification). This method is not
very effective, unless the tuple contains several attributes with missing values.
It is especially poor when the percentage of missing values per attribute varies
considerably.
2. Fill in the missing value manually. In general, this approach is time consuming
and may not be feasible given a large dataset with many missing values.
3. Use a global constant to fill in the missing value. Replace all missing attribute
values by the same constant, such as a label like “Unknown” or—∞. If missing
values are replaced by, say, “Unknown,” then the mining program may mistakenly
think that they form an interesting concept, as they all have a value in
common—that of “Unknown.” Hence, although this method is simple, it is not
foolproof.
4. Use the attribute mean to fill in the missing value. For example, suppose that
the average income of AllElectronics customers is $56,000. Use this value to
replace the missing value for income.
5. Use the attribute mean for all samples belonging to the same class as the
given tuple. For example, if classifying customers according to credit risk,
replace the missing value with the average income value for customers in the
same credit-risk category as that of the given tuple.
6. Use the most probable value to fill in the missing value. This may be determined
with regression, inference-based tools using a Bayesian formalism, or
decision tree induction. For example, using the other customer attributes in
your dataset, you may construct a decision tree to predict the missing values
for income.

Hasil (Bahasa Indonesia) 1:

1. Abaikan tupel. Hal ini biasanya dilakukan ketika label kelas hilang
(yaitu, dengan asumsi tugas pertambangan melibatkan klasifikasi). Metode ini bukanlah
sangat efektif, kecuali tupel mengandung beberapa atribut dengan nilai hilang.
sangat miskin terutama ketika persentase nilai-nilai yang hilang setiap atribut bervariasi
jauh.
2. Masukkan nilai yang hilang secara manual. Secara umum,1. Abaikan tupel. Hal ini biasanya dilakukan ketika label kelas hilang
(yaitu, dengan asumsi tugas pertambangan melibatkan klasifikasi). Metode ini bukanlah
sangat efektif, kecuali tupel mengandung beberapa atribut dengan nilai hilang.
sangat miskin terutama ketika persentase nilai-nilai yang hilang setiap atribut bervariasi
jauh.
2. Masukkan nilai yang hilang secara manual. Secara umum, pendekatan ini sangat memakan waktu
dan mungkin tidak layak diberikan dataset besar dengan banyak nilai hilang.
3. Menggunakan konstanta global untuk mengisi nilai hilang. Mengganti semua hilang atribut
nilai-nilai oleh konstan sama, seperti label seperti "Tidak diketahui" atau — ∞. Jika hilang
nilai digantikan oleh, mengatakan, "Tidak diketahui", maka pertambangan program mungkin keliru
berpikir bahwa mereka membentuk sebuah konsep menarik, karena mereka semua memiliki nilai
umum-yang "Tidak diketahui." Oleh karena itu, walaupun metode ini sederhana, tidaklah
sangat mudah.
4. Gunakan atribut berarti untuk mengisi nilai hilang. Sebagai contoh, Anggaplah bahwa
pendapatan rata-rata SemuaElektronika pelanggan adalah $56.000. Menggunakan nilai ini untuk
mengganti nilai yang hilang untuk pendapatan.
5. Gunakan atribut berarti untuk semua sampel milik kelas yang sama seperti
diberikan tupel. Misalnya, jika mengklasifikasikan pelanggan risiko kredit,
mengganti nilai hilang dengan nilai rata-rata pendapatan untuk pelanggan di
kategori risiko kredit sama seperti yang diberikan tupel.
6. Gunakan nilai yang paling mungkin untuk mengisi nilai hilang. Ini dapat ditentukan
dengan regresi, alat berbasis kesimpulan yang menggunakan Bayesian formalism, atau
keputusan pohon induksi. Misalnya, menggunakan pelanggan lain atribut di
dataset, Anda dapat membangun sebuah pohon keputusan untuk memprediksi nilai hilang
untuk pendapatan.