Missing values atau data dengan nilai null (kosong) merupakan masalah tersendiri dalam menjaga kualitas suatu data. Missing values dapat disebabkan oleh beberapa hal, salah satunya diakibatkan oleh kesalahan pada saat entri data. Missing values dapat menyebabkan tingkat keakuratan suatu data berkurang dan menurunnya kualitas data saat akan dilakukan pengolahan data lanjut, seperti proses klasifikasi. Algoritma C5.0 dapat menangani kasus missing values. Namun dari sekian model penanganan missing values seperti mean, median, modus, Naïve Bayes Imputation dan model yang tanpa penanganan belum diketahui model mana yang paling memberikan kontribusi terhadap akurasi klasifikai pada algoritma C5.0.Dari hasil penelitian yang dilakukan dapat diambil kesimpulan bahwa tingkat akurasi klasifikasi C5.0 dengan penanganan missing values menggunanakan metode Mean sebesar 71,27%. Tingkat akurasi klasifikasi C5.0 dengan penanganan missing values menggunanakan metode Median sebesar 70,21%. Tingkat akurasi klasifikasi C5.0 dengan penanganan missing values menggunanakan metode Modus sebesar 70,27%. Tingkat akurasi klasifikasi C5.0 dengan penanganan missing values menggunanakan metode NBI sebesar 69,14%. dan tingkat akurasi klasifikasi C5.0 dengan penanganan missing values menggunanakan metode tanpa penanganan sebesar 69.14%. Hasil akurasi tertinggi didapat oleh metode mean, median, modus dan tanpa penanganan, sedangkan akurasi terendah didapat pada metode Naïve Bayes Inputation. Dari hasil akurasi menunjukkan bahwa tidak ada pengaruh pada metode C5.0 ketika dilakukan penanganan. Sebab, metode C5.0 sudah mampu mengatasi dataset yang memiliki beberapa nilai null.