<![CDATA[Time series multivariat adalah jenis data yang sering digunakan di berbagai bidang seperti keuangan, statistik, dan kesehatan karena dapat menjelaskan hubungan kompleks antar variabel. Namun, sering kali terdapat masalah seperti missing data yang dapat menjadi tantangan signifikan dalam proses analisis, mengurangi kualitas data dan akurasi model prediksi. Penelitian ini bertujuan untuk mengatasi masalah missing data time series multivariat dengan menggunakan teknik Support Vector Regression (SVR) untuk imputasi missing data dan Long Short-Term Memory (LSTM) sebagai analisis prediktif. SVR diterapkan untuk memprediksi missing data berdasarkan hubungan antar variabelnya, sementara LSTM digunakan untuk memodelkan pola temporal dalam data yang telah diimputasi. Evaluasi kinerja menunjukkan bahwa metode ini dapat meningkatkan kualitas data dan akurasi prediksi secara signifikan. Dengan menghasilkan metrik evaluasi RMSE 0.16, MSE 0.03, dan MAE 0.13, metode integratif ini tidak hanya menawarkan solusi yang efektif untuk menangani missing data, tetapi juga membantu memperkuat penerapan machine learning dalam analisis data time series multivariat. Selain itu, penelitian ini menunjukkan relevansi praktis dari integritas metode imputasi berbasi SVR dan analisis prediktif dengan LSTM, yang mampu dalam meningkatkan integritas data serta menghasilkan model prediksi yang akurat, sehingga berpotensi mendukung pengambilan keputusan berbasis data dalam berbagai bidang yang lebih luas dan realistis, khususnya pada analisis indikator kesehatan seperti Life Expectancy. Abstract Multivariate time series is a type of data often used in various fields such as finance, statistics, and health because it can explain complex relationships between variables. However, there are often issues like missing data that can pose significant challenges in the analysis process, reducing data quality and model prediction accuracy. This research aims to address the missing data problem in multivariate time series by using Support Vector Regression (SVR) for imputing missing data and Long Short-Term Memory (LSTM) for predictive analysis. SVR is applied to predict missing data based on the relationships between the variables, while LSTM is used to model temporal patterns in the imputed data. Performance evaluation shows that this method can significantly improve data quality and prediction accuracy. With evaluation metrics of RMSE 0.16, MSE 0.03, and MAE 0.13, this integrative method not only offers an effective solution for handling missing data but also helps strengthen the application of machine learning in multivariate time series data analysis. Furthermore, this research demonstrates the practical relevance of the integrity of SVR-based imputation methods and predictive analysis with LSTM, which can enhance data integrity and produce accurate predictive models, thus potentially supporting data-driven decision-making in broader and more realistic fields, particularly in the analysis of health indicators such as Life Expectancy.]]>
