DETEKSI OUTLIER MULITVARIAT MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF-ORGANIZING MAP; MULTIVARIATE OUTLIER DETECTION USING ARTIFICIAL NEURAL NETWORK SELF-ORGANIZING MAP

ARYA ANDIKA DUMANAUW, Subanar

2014 | Skripsi | PROGRAM STUDI STATISTIKA

Adanya outlier dalam data dapat mengganggu analisis statistik. Oleh karena itu, diperlukan deteksi outlier pada data sebeluim dianalisis. Metode Self-Organizing Map (SOM) dalam Jaringan Saraf Tiruan dapat digunakan untuk mendeteksi outlier dengan cara mengonstruksi u-matriks dan boxplot kesalahan kuantisasi dari jarngan yang terbentuk. Dari u-matriks, neuron dengan jarak yang sangat jauh dibanding kebanyakan neuron lain diidentifikasi sebagai neuron outlier. Outlier merupakan gabungan dari pengamatan di dalam neuron outlier pada u-matrix dan juga pengamatan outlier yang diperoleh sesuai kriteria outlier boxplot kesalahan kuantisasi. Secara umum, SOM dapat mendeteksi 60% outlier dalam data serta hanya mendeteksi kurang dari 20% data sehat yang dideteksi sebagai outlier. Ketepatan klasifikasi dari SOM adalah sekitar 70%. Trial error dalam penentuan parameter jaringan dan pendekatan lain dalalm intepretasi umatrix mungkin dilakukan untuk mendapatkan hasil yang lebih baik dan akurat.

Kata Kunci : deteksi outlier; SOM; u-matrix; kesalahan kuantisasi; ketepatan akurasi; masking; swamping; boxplot