Perbandingan Kerja RMCD Dan MVV Dalam Mendeteksi Outlier Pada Data P Variate

Permana, Lucky (2009) Perbandingan Kerja RMCD Dan MVV Dalam Mendeteksi Outlier Pada Data P Variate. Masters thesis, Institut Teknologi Sepuluh November.

Text 1308201023-Master_thesis.pdf Restricted to Repository staff only Download (30MB)

Abstract

Jarak Mahalanobis digunakan pada saat pengamatan secara visual untuk mendeteksi outlier pada data p variate menjadi sulit dilakukan ketika p > 2. Meskipun demikian Jarak Mahalanobis ternyata tidak memberikan hasil yang akurat ketika terdapat banyak outlier pada data p variate, sebagai akibat dari adanya efek masking. Keterbatasan tersebut mendasari lahirnya metode Jarak Robust seperti MCD, FSA, MWCD, RMCD, dan MVV. Beberapa penelitian menunjukkan bahwa MCD memiliki kinerja yang lebih baik dibandingkan MVE, FSA, dan MWCD. Penelitian sebelumnya juga menunjukkan bahwa MCD memiliki kinerja yang sama baiknya dengan MVV. Penelitian ini bertujuan untuk membandingkan kinerja RMCD dan MVV dalam mendeteksi outlier pada data p variate. Perbandingan kinerja kedua metode tersebut diamati dengan melakukan simulasi terhadap berbagai kondisi data yang terkontaminasi scale, shift, dan radial outlier. Dengan mengamati sensitivitas kedua metode tersebut dalam mendeteksi outlier pada data p variate, hasil penelitian pada pergeseran rata-rata dan variansi yang besar memperlihatkan bahwa MVV memiliki kinerja yang lebih baik dibandingkan RMCD dalam mendeteksi outlier pada data terkontaminasi shift outlier. Sedangkan pada data terkontaminasi scale dan radial outlier, keduanya memperlihatkan kinerja yang sama baiknya. Sebagai hasil penerapan metode robust pada hasil perekaman data SE06-SS UMK, sebesar 16,19% observasi terdeteksi sebagai outlier.
====================================================================================================================================
Mahalanobis distance is utilized when data observation by visual approach in detecting outlier on p variate data is not easily done while p > 2. Moreover Mahalanobis distance apparently does not give accurate result while there is a lot of outlier on p variate data, arising out from masking effect. Such weaknesses inspiring the use of robust distance methods namely MCD, FSA, MWCD, RMCD, and MVV. Several researcher point out that MCD has better performance than MVE, FSA, and MWCD. Previous researchs also point out that MCD has equal performance with MVV. Hence this research is aimed to compare RMCD's performance and those of MVV in detecting outliers on p variate data. Comparative Performance of both robust method is observed by undertaking simulation on a variety of data condition that contaminated by scale, shift, and radial outliers, from observation on sensitivities of both robust method in detecting outlier on p variate data, MVV has better performance than RMCD on contaminated data by shift outlier. Meanwhile on scale and radial outlier data contaminated, both show similar performance. As a result of implementing robust method on data SE06-SS UMK, there is 16,19% of observation detected as outliers.

Item Type:	Thesis (Masters)
Additional Information:	519.5 Per p
Uncontrolled Keywords:	Jarak Robust, MVV, Outlier, RMCD, MVV, Outlier, RMCD, Robust Distance.
Subjects:	H Social Sciences > HA Statistics
Divisions:	Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	magang .
Date Deposited:	02 Oct 2026 03:04
Last Modified:	02 Oct 2026 03:04
URI:	http://repository.its.ac.id/id/eprint/145169

Actions (login required)

View Item