“Mendeteksi Outliers pada Machine Learning dan Membuat Visualisasi pada

NVivo 12”.

Outliers adalah suatu data yang menyimpang dari kumpulan datasets. Mengetahui
outliers pada kumpulan datasets akan membantu kita, mengindetifikasi suatu data
yang kita punya sehingga kita tidak terulang lagi pada saat pengumpulan data dan
kita mempunyai kualitas data yang baik dalam Penelitian kita.
Widget Outliers menerapkan salah satu dari dua metode untuk mendeteksi outliers.
Metode tersebut adalah SVM (Support Vectors Machine).

Gambar. Outliers Menu

  Pemilihan pada data input, jumlah dari inliers (Kumpulan data yang dipilih) dan outliers
(data yang menyimpang) berdasarkan metode yang dipilih.
 Cara memilih Metode deteksi “Outliers”.
a. 1 kelas SVM dengan non-liniers kernel (RBF) : mengklasifikasi data yang sesuai atau
berbeda dari kelas inti :
 Nu adalah parameter untuk batas atas dari pembagian dari trainings error dan batas
bawah dari fraksi dari support vectos.
 Koefisien kernel adalah parameter gamma, yang mana menempati seberapa banyak
pengaruh dari contoh “Single Data”.

 Covariance estimator (Pengukur besarnya hubungan antara dua variabel) adlaah

pembagian outliers di dalam dataset.

 Support Fraction menempati pembagian dari titik yang meliputi pada perkiraan.

 Menghasilkan sebuah laporan

 Lalu klik “Detect Outliers” untuk output data.

# Contoh :
Di bawah, adalah contoh sederhana cara menggunakan widget Outliers. Kita menggunakan
dataset Iris untuk mendeteksi outlier. Kita memilih satu kelas SVM dengan metode non-linear
kernel(RBF), dengan Nu ditetapkan pada 20% (lebih sedikit Training errors, lebih banyak Suport
Vectors). Kemudian kita mengamati Outliers di widget Data Table, sementara kita mengirim
inliers ke widget Scatter Plot.
 Gambar. Widgets Outliers.
Data Science Metodologies :
- Dataset : IRIS (Bagian-bagian Bunga Mawar)
- Data Science Model : File --- Outliers --- Data Table --- Scatter Plot
- Visualisasi : Scatter Plot
Untuk menggambarkan hasil dari Koding dari suatu Penelitian Kualitatif kita, dapat
dilakukan dengan dua cara yaitu Visualisasi Chart dan Matrix Coding. Chart yang dipakai
dapat bermacam-macam bergantung sesuai dengan kebutuhan kita seperti Pie Chart, Bar
Chart, Scatter Chart, dll.

Gambar. Visualisasi Chart menggunakan Pie Chart.

Matrix Coding digunakan apabila kita ingin memvisualisasikan hasil dari “Cases dan
Classification” menggunakan suatu grafik. Maka hasilnya sebagai berikut :

Gambar. Contoh Classification pada NVivo 12

Gambar. Visualisasi Chart menggunakan Matrix Coding