Outlier Detection Using Minimum Vector Variance Algorithm with Depth Function and Mahalanobis Distance

Puji Puspa Sari,Erna Tri Herdiani,Nurtiti Sunusi

doi:10.20956/j.v17i3.12629

Puji Puspa Sari, Erna Tri Herdiani + Show 1 more

Open Access

https://doi.org/10.20956/j.v17i3.12629

Copy DOI

Abstract

Outliers are observations where the point of observation deviates from the data pattern. The existence of outliers in the data can cause irregularities in the results of data analysis. One solution to this problem is to detect outliers using a statistical approach. The statistical approach method used in this study is the Minimum Vector Variance (MVV) algorithm which has robust characteristics for outliers. The purpose of this research is to detect outliers using the MVV algorithm by changing the data sorting criteria using the Robust Depth Mahalanobis to produce maximum detection. The results obtained from this study are that RDMMVV is superior to the observed value in showing the outliers and the location of the outliers in the data plot compared to DMMVV and MMVV.

Highlights

Outliers are observations where the point of observation deviates from the data pattern
The results obtained in this study indicate that the outliers distance value and the location of the outliers in the plot are different for each ordering modification using the three methods namely RDMMVV (Robust Depth Mahalanobis Minimum Vector Variance (MVV)), DMMVV (Depth Mahalanobis MVV), and MMVV (Mahalanobis MVV) methods
Fungsi Depth dalam RDMMVV berfungsi sangat baik dengan menunjukkan kedalaman data dalam plot data yang digunakan

Summary

PENDAHULUAN

Pencilan merupakan suatu pengamatan yang jarak titik pengamatannya relatif jauh dari pusat data dan titik pengamatannya menyimpang dari pola data [2]. Beberapa metode yang digunakan untuk mendeteksi pencilan diantaranya adalah menggunakan Jarak Mahalanobis dan metode Minimum Covariance Determinan (MCD). Untuk data yang besar FMCD akan memberikan kesimpulan yang sangat akurat pada data yang memuat h atau lebih observasi [16], dan metode Minimum Vector Variance (MVV) merupakan modifikasi algoritma FMCD dengan menggunakan ukuran Vector Variance (VV) yang minimum [10]. Salah satu keunggulan MVV dibanding FMCD adalah metode MVV dapat digunakan pada data dengan determinan sama dengan nol karena tidak terpengaruh oleh nilai varians/kovarians yang sama dengan nol [11]. Berdasarkan beberapa penelitian tersebut, peneliti tertarik untuk mengubah kriteria pengurutan dalam algoritma Minimum Vector Variance dengan menggunakan fungsi Depth dan Jarak Mahalanobis untuk pelabelan pencilan pada data multivariat

METODE PENELITIAN

Fungsi Depth

Robust Depth Mahalanobis

Robust Depth Mahalanobis dengan Minimum Vector Variance

Diagram Alir Penelitian

KESIMPULAN