Modifikasi Penaksir Robust dalam Pelabelan Outlier Multivariat

Abstract

Outlier adalah suatu observasi yang polanya tidak mengikuti mayoritas data. Outlier dalam kasus multivariat sangat sulit untuk dideteksi, khususnya ketika dimensi lebih dari 2. Kesulitan ini meningkat ketika data set berukuran besar, yakni jumlah variabel menjadi besar. Metode-metode pendeteksian outlier telah lama berkembang dan beberapa digunakan untuk pelabelan outlier sehingga data dapat dipisahkan antara data yang dicurigai sebagai outlier dan data set pada umumnya. Metode-metode tersebut adalah minimum volume ellipsoid disingkat MVE, minimun covariance determinant disingkat MCD, dan minimum vector variance disingkat MVV. Dari ketiga metode tersebut MVV memiliki waktu perhitungan yang paling cepat. Berdasarkan algoritma MVV, kriteria mengurutkan data menggunakan jarak mahalanobis, maka pada paper ini akan dimodifikasi kriteria pengurutan data dengan menghindari penulisan dalam bentuk invers dari matriks variansi kovariansi. Hasil yang diperoleh adalah metode MVV menjadi lebih cepat dengan menggunakan kriteria baru dengan kecermatan yang sama dengan MVV sebelumnya serta akan diaplikan untuk data real dan data simulasi.