MENGATASI MASALAH MULTIKOLINEARITAS DAN OUTLIER DENGAN METODE ROBUST PCA PADA MODEL REGRESI LINEAR BERGANDA

YULIFIRDA ISNAINI, . (2017) MENGATASI MASALAH MULTIKOLINEARITAS DAN OUTLIER DENGAN METODE ROBUST PCA PADA MODEL REGRESI LINEAR BERGANDA. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text Full Skripsi.pdf Download (914kB)
	Text LEMBAR PERSETUJUAN.pdf Download (265kB)

Abstract

Keberadaan multikolinearitas dan outlier pada model regresi linear berganda mengganggu proses analisis data, sehingga pendeteksian multikolinearitas dan outlier sangat penting untuk dilakukan. Ketika data yang digunakan merupakan data pada model regresi linear berganda, maka pendeteksian tersebut menjadi sulit untuk dilakukan. Metode Robust PCA merupakan gabungan teknik Analisis Komponen Utama (AKU) dan Minimum Covariance Determinant (MCD) yang dapat mengatasi masalah multikolinearitas dan outlier pada model regresi linear berganda. Sebelum melakukan pendeteksian outlier menggunakan metode MCD, perlu dilakukan pereduksian dimensi data dengan metode AKU. Prinsip Metode MCD adalah mendapatkan subhimpunan dari keseluruhan pengamatan yang matriks varian kovariannya memiliki determinan terkecil diantara semua kombinasi kemungkinan data. Pendeteksian outlier dengan Metode MCD dilakukan berdasarkan jarak robust dan nilai cut-off nya. Suatu pengamatan terdeteksi sebagai outlier ketika jarak robust lebih besar dari nilai cut-off. Sedangkan untuk mengklasifikasikan outlier dilakukan dengan cara membuat diagnostic plot Jarak Mahalanobis versus Jarak Robust. Selanjutnya analisis regresi komponen utama dilakukan, untuk mengatasi multikolinearitas dan untuk mendapatkan model regresi linear berganda. Penerapan Metode Robust PCA pada data tingkat kepuasan pelanggan menghasilkan nilai VIF pada setiap komponen utama 1, dari diagnostic plot outlier sudah teratasi, dan nilai R2 meningkat menjadi 66,1%. The existence of multicolinearity and outlier in multiple linear regression model can disturb data analysis process, multicolinearity and outlier detection are very important to do. When the data is used in multiple linear regression models, the detection becomes difficult to do. The Robust PCA method, which is a combination of Principal Component Analysis (PCA) and Minimum Covariance Determinant (MCD) techniques, can solve multicolinearity and outlier problems in multiple linear regression models. Before doing outliers detection, it is necessary to reduce the dimensions of data, which using PCA. In this study, the outlier is detected using the MCD Method. The purpose MCD Method is to obtain a subset of all observations whose variance-covariance matrix has the smallest determinant of all possible combinations of data. Outliers detection using MCD Method is based on Robust Distance and cut-off value. An observation can be detected as an outlier when the Robust Distance is greater than the cut-off value. While to classify the outlier is done by making a diagnostic plot of Mahalanobis Distance versus Robust Distance. And then a principal component regression analysis is performed, to solve multicolinearity and to get multiple linear regression model. Therefore based on using Robust PCA Method on customer satisfaction level data, it obtains VIF value that every principal component is 1, from diagnostic plot outliers have been solved, and R2 value has been increased becoming 66,1%.

Item Type:	Thesis (Sarjana)
Additional Information:	1) Dra. Widyanti Rahayu, M.Si 2) Vera Maya Santi, M.Si
Subjects:	Sains > Matematika
Divisions:	FMIPA > S1 Matematika
Depositing User:	sawung yudo
Date Deposited:	20 Apr 2022 05:27
Last Modified:	20 Apr 2022 05:27
URI:	http://repository.unj.ac.id/id/eprint/27218

Actions (login required)

View Item