ABSTRAKSI: Missing value merupakan salah satu masalah pada data yang sering dijumpai. Missing value ini adalah hilangnya informasi atau value pada suatu variabel tertentu di dalam data. Missing value dalam jumlah besar dapat menghilangkan informasi pada data sehingga menyebabkan menurunnya keakuratan dan kualitas data pada saat data diolah. Salah satu cara menangani missing value ini adalah dengan mengisi missing value tersebut dengan suatu nilai atau disebut imputasi. Pada tugas akhir ini, metode imputasi yang digunakan adalah Support Vector Machines Imputation (SVMI). Performansi sistem impuasi diuji melalui parameter Normalized Root Mean Square Error (MRNSE). Selain itu, performansi imputasi diuji terhadap proses klasifikasi melalui parameter Precision, Recall, dan F-Measure. Berdasarkan hasil pengujian, SVMI dapat memprediksi nilai dari missing value mendekati nilai yang sebenarmya dengan penentuan parameter SVMI yang tepat.Kata Kunci : missing value, imputasi, Support Vector Machines ImputationABSTRACT: Missing value is one of the problems frequently encountered in the data. Missing value is the loss of information or value on a particular variable in the data. Missing values can eliminate large amounts of information on the data that led to decrease the accuracy and quality of data as it is processed. One way to handle missing values is to fill in missing values with a value or called imputation. In this thesis, the imputation method used is Support Vector Machines Imputation (SVMI). Impuasi system performance parameters tested memalui Normalized Root Mean Square Error (MRNSE). In addition, the performance of imputation is tested against the classification process through parameters Precision, Recall, and F-Measure. Based on test results, SVMI can predict the value of the missing value approach to determining the value sebenarmya SVMI appropriate parameters.Keyword: missing value, imputation, Support Vector Machines Imputation