Mieke Nurmalasari
Sesi 5
www.esaunggul.ac.id
Kemampuan Akhir yang Diharapkan
www.esaunggul.ac.id
Pendahuluan
o Setelah melakukan model building, langkah selanjutnya
adalah mendiagnosa model yang didapat apakah sudah layak
atau bagus tidak untuk digunakan untuk prediksi maupun
pemodelan.
www.esaunggul.ac.id
Diagnostik Model Regresi
www.esaunggul.ac.id
Diagnostik Model Regresi
www.esaunggul.ac.id
1. Outlier
o adalah suatu observasi yang menyimpang dari
sekumpulan data yang lain atau pengamatan
yang jauh dari pusat data.
www.esaunggul.ac.id
OUTLIER
www.esaunggul.ac.id
Dampak Outlier
Keberadaan data outlier/ pencilan akan
mengganggu dalam proses analisis data dan
harus dihindari, karena dapat menyebabkan error
dari model semakin besar, varians pada data juga
menjadi besar dan estimasi interval dari koefisien
regresi juga semakin leba.r
www.esaunggul.ac.id
2. Leverage
o adalah pengamatan dengan nilai ekstrim pada
variabel bebas (prediktor).
o Leverage mengukur seberapa jauh nilai variabel
Y menyimpang dari nilai rata-ratanya.
o Leverage ini bisa mempengaruhi estimasi
koefisien regresinya.
www.esaunggul.ac.id
3. Influence point
o adalah perpaduan antara outlier dan leverage,
o jika kita menghilangkan pengamatan ini maka
estimasi koefisien regresi akan sangat berubah.
www.esaunggul.ac.id
UKURAN UNTUK MENDETEKSI OUTLIER
www.esaunggul.ac.id
Ketentuan dalam Pengambilan Keputusan
www.esaunggul.ac.id
CARA MENGHADAPI ADANYA OUTLIER
Cara yang biasa dilakukan adalah dengan melakukan reduksi data atau
melakukan transformasi data diantaranya:
1. Transformasi Square Root (Akar),
2. Tansformasi Logaritma,
3. Transformasi Arcsin,
4. Transformasi Square (Kuadrat),
5. Transformasi Cubic (Pangkat Tiga),
6. Transformasi Inverse (Kebalikan),
7. Transformasi Inverse Square Root (Kebalikan Akar),
8. Transformasi Inverse Square (Kebalikan Kuadrat),
9. Transformasi Inverse Cubic (Kebalikan Pangkat Tiga),
10. Transformasi Reverse Score (Balik Skor).
www.esaunggul.ac.id
Terima Kasih
www.esaunggul.ac.id