Penerapan Robpca Dalam Mengatasi Pencilan Pada Data Menjulur

Classical Principal Component Analysis (CPCA) adalah salah satu teknik statistik multivariat yang paling terkenal. CPCA merupakan teknik pereduksian yang mentransformasikan data menjadi peubah-peubah yang lebih sedikit dengan mempertahankan keragaman semaksimum mungkin. Peubah baru ini dinamakan komponen utama yang tidak berkorelasi dan memaksimumkan keragaman. Data sering mengandung beberapa pencilan sehingga metode CPCA kurang diandalkan. Robust Principal Component Analysis (ROBPCA) mampu mengatasi pencilan. Beberapa metode ROBPCA yang sudah dikembangkan adalah MCD dan RMCD di mana kedua metode ini bekerja dengan baik pada sebaran simetris. Apabila data menjulur ke salah satu sisi, banyak pengamatan yang terdeteksi sebagai pencilan. Penelitian menggunakan data multivariat yang mengandung pencilan dan menjulur dengan metode baru yaitu Adjusted Outlyingness (AO) yang bekerja dengan baik pada data menjulur. Tujuan penelitian ini adalah menentukan metode yang lebih baik antara CPCA dan ROBPCA dengan menggunakan kriteria pendeteksian pencilan dan komponen utama yang terbentuk berdasarkan akar ciri ≥1 dan scree graph. Analisis pada data bangkitan sebaran Invers Gaussian (IG) dengan berbagai pencilan. Hasil analisis menunjukkan bahwa untuk pendeteksian pencilan, metode ROBPCA lebih baik dibanding CPCA karena menghasilkan kesalahan yang lebih sedikit dan jumlah komponen utama terpilih lebih sedikit menurut kriteria akar ciri dan mampu menjelaskan keragaman lebih besar dibandingkan CPCA apabila komponen utama terpilih yang sama banyak