Deteksi outlier
Menemukan nilai yang menyimpang jauh dari data lain.
Untuk apa dipakai
- Memeriksa asumsi data (normalitas, dan lainnya)
- Menentukan jumlah sampel dan menyiapkan data
Data yang dibutuhkan
Bergantung pada tujuan: umumnya berupa angka ringkas seperti jumlah populasi atau tingkat kesalahan, atau data responden untuk diperiksa.
Unggah file Excel (.xlsx) atau CSV. Aplikasi memeriksa kecocokan data dengan metode sebelum analisis dijalankan, dan token tidak terpotong bila analisis gagal.
Cara membaca hasilnya
Mencari nilai yang jauh berbeda dari sebagian besar data.
- Jumlah dan nilai outlier
- Daftar nilai yang dianggap ekstrem menurut aturan yang dipakai.
- Batas bawah dan atas
- Nilai di luar rentang ini ditandai sebagai ekstrem.
Perlu diwaspadai
- Outlier belum tentu salah. Periksa dulu apakah salah ketik, atau responden memang unik, baru putuskan dipertahankan atau tidak, dan catat alasannya.
Bantuan — proses & rumus
Tahap komputasi yang dijalankan OlahData untuk metode ini, lengkap dengan rumus dan rujukannya.
Setiap nilai diubah menjadi z-score; nilai dengan |z| > 3 ditandai. Aturan ini dapat gagal mendeteksi outlier yang sangat ekstrem karena nilai itu sendiri menggeser rata-rata dan simpangan baku (masking).
z = (x − rata-rata) / simpangan baku
Karena aturan z rentan masking, dihitung pula jarak robust berbasis median dan MAD (median absolute deviation); nilai dengan jarak robust > 2,24 ditandai. Batas 2,24 setara persentil ke-97,5 sebaran khi-kuadrat satu df, sehingga lebih sensitif (±2,5% data bisa ikut tertandai pada data normal).
jarak robust = |x − median| / (1,4826 × MAD)
Nilai di luar pagar 1,5×IQR ditandai sebagai outlier biasa; di luar pagar 3×IQR ditandai sebagai outlier ekstrem.
pagar bawah/atas = Q1 − 1,5×IQR atau Q3 + 1,5×IQR
Bila minimal 2 variabel dipilih, dihitung jarak Mahalanobis kuadrat tiap responden yang lengkap di semua variabel, dibandingkan dengan sebaran khi-kuadrat (df = jumlah variabel) pada taraf konservatif 0,001.
D² = (x − rata-rata)ᵗ × kovarians⁻¹ × (x − rata-rata)
| Ukuran | Ambang batas | Rujukan |
|---|---|---|
| |z| | > 3 ditandai | Kline (2016, hlm. 72) |
| Jarak robust (median/MAD) | > 2,24 ditandai | Kline (2016, hlm. 72–73) |
| Mahalanobis D², p | < 0,001 ditandai (multivariat) | Kline (2016, hlm. 73) |
- Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
- Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
Kline (2016); Tukey (1977)
Contoh hasil
Contoh hasil dengan data fiktif untuk metode ini sedang disiapkan.
Ingin mencoba dengan data Anda?
Hasilnya disertai tabel, grafik, narasi, dan penjelasan prosesnya.