Cara Menguji Multivariat Outlier

Uji Multivariat Outlier

by. Salman Paludi ~ Pebruari 2017

Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang  muncul karena kombinasi karakteristik yang unik yang dimilikinya dan terlihat sangat jauh berbeda dengan observasi-observasi lainnya. Outliers pada dasarnya dapat muncul dalam empat kategori:

1)   Outliers muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data.

2)   Outliers muncul karena keadaan yang benar-benar khusus yang memungkinkan profil data lain daripada yang lain, tetapi peneliti memiliki penjelasan mengenai apa penyebab munculnya nilai ekstrim tersebut.

3)   Outliers muncul karena adanya suatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai sebab-sebab munculnya nilai ekstrim tersebut.

4)   Outliers dapat muncul karena range nilai jawaban responden, bila dikombinasi dengan variabel lainnya kombinasinya menjadi tidak lazim atau sangat ekstrim, yang sering dikenal dengan multivariate outliers.

Outlier menggambarkan data atau skor yang terletak sangat jauh (ekstrim) dari kelompok lainnya. Univariat outlier skor ekstrim dalam variabel sedangkan multivariate outlier adalah skor ekstrim dalam dua atau lebih variabel. Outlier  dapat berpotensial menciptakan heywood case atau improper solution. Selain itu outlier dapat menyebabkan bentuk distribusi data menjadi tidak normal, menciptakan bias dalam taksiran parameter serta berpengaruh terhadap hasil signifikansi pengujian parameter tersebut. Pemeriksaan multivariat outlier dapat dilakukan dengan statistik Mahalanobis Distance (d²) yang berdistribusi chi square (χ²) dengan derajat kebebasan (df) sejumlah variabel pengamatan (p). Nilai Mahalanobis Distance (d²) data pengamatan yang lebih dari nilai chi square (χ²) dengan derajat bebas df variabel pengamatan p dan tarap signifikansi misal <0,001 maka dikatakan sebagai data multivariate outlier.   Cara mengidentifikasikan terjadinya multivariat outliers adalah dengan menggunakan statistik d² (Mahalanobis Distance) dan dibandingkan dengan nilai χ² dengan tingkat kesalahan 0,001, df sebanyak variabel yang dianalisis. Untuk jumlah pertanyaan sebanyak 77 buah dalam Microsoft Excel 2010 dengan  rumus =CHIINV(0.001,77) diperoleh nilai 121,1. Pemeriksaan multivariat outlier diolah dengan bantuan software SPSS 20.

Jika d² > χ², 0,001,df=77 atau d²>121,1 maka terdapat multivariat outlier.

Jika d²< χ², 0,001,df=77 atau d²<121,1 maka tidak terdapat multivariat outlier.

Jumlah awal data observasi adalah sebanyak 300 data observasi. Berikut hasil pengujiannya dengan software SPSS 20 dalam gambar berikut:

Gambar hasil output pengujian multivariate outlier di SPSS :

Dalam pengujian multivariate outlier di atas ditemukan dua puluh  data yang outliers yaitu data observasi nomor 279, 265, 264, 281, 262, 268, 263, 280, 261, 266, 277, 269, 278, 260, 259, 267, 276, 300, 29 dan 158 yang memiliki nilai Mahalanobis Distance d² > χ², 0.001,df=37 (121,1). Sehingga kedua puluh data tersebut dikeluarkan dari total data observasi agar dalam  pengolahan data tidak terdapat multivariate outliers. Setelah itu data observasi diolah kembali dan dihasilkan output:

Mahalanobis Distance (d²) maximum = 109,590, dengan nilai  χ², 0.001,df=37 adalah 121,1 maka data yang diobservasi sebanyak 280 data tidak terdapat multivariate outlier.

baca juga : 

Structural Equation Modeling (SEM)

daftar pustaka : 

Paludi, Salman, 2016. Analisis Pengaruh Electronic Word Of Mouth (E-Wom) Terhadap Citra Destinasi, Kepuasan Wisatawan, Dan Loyalitas Destinasi Perkampungan Budaya Betawi (PBB) Setu Babakan Jakarta Selatan. Tesis, MM IBN Jakarta

Ferdinand, Augusty. 2006. Structural Equation Modeling dalam Penelitian Manajemen : Aplikasi Model-Model Rumit dalam Penelitian untuk Tesis Magister dan Disertasi Doktor. Semarang: Badan Penerbit Universitas Diponegoro. ISBN 979.9156.75.0

Yamin, Sofyan & Kurniawan, Heri, 2009. Structural Equation Modeling Belajar Lebih Mudah Teknik Analisis Data Kuesioner Dengan Lisrel-PLS. Jakarta: Salemba Infotek