PELABELAN OUTLIERS PADA DATA MULTIVARIAT MENGGUNAKAN METODE MINIMUM VECTOR VARIANCE DENGAN KRITERIA DEPTH DAN MAHALANOBIS

Pencilan adalah data yang memiliki karakteristik unik yang terlihat sangat jauh berbeda dari observasi yang lain. Pencilan dapat mengakibatkan penyimpangan terhadap hasil analisis dan interpretasi data. Sehingga dibutuhkan metode dalam melabel pencilan menggunakan pendekatan statistik. Salah satu metode dalam pelabelan pencilan adalah algoritma Minimum Vector Variance (MVV). MVV merupakan metode robust karena memiliki beberapa keunggulan yaitu nilai breakdown point yang tinggi, bersifat affine equavariance, dan efisiensi komputasi dengan tingkat kompleksifitas yang rendah. Dalam penelitian ini dilakukan modifikasi pada algoritma MVV menggunakan Depth dan Mahalanobis pada pengurutan data multivariat. Dari modifikasi tersebut diperoleh 3 metode yakni Mahalanobis MVV (MMVV), Depth Mahalanobis MVV (DMMVV), dan Robust Depth Mahalanobis MVV (RDMMVV). Tujuan dari metode ini adalah melabel pencilan menggunakan ketiga metode tersebut. Pelabelan pencilan pada ketiga metode diterapkan pada data simulasi yang berdistribusi normal multivariat. Hasil penelitian menunjukkan ketiga metode mendeteksi observasi yang sama sebagai pencilan yaitu pengamatan ke 8, 20, 39, 42, 51, 66, 72, 85, 99, dan 117. Dalam penelitian ini metode RDMMVV lebih efisien jika didasarkan pada waktu perhitungan mengeksekusi program dibandingkan dengan MMVV dan DMMVV.