Tabel 3.4. Data 4
Hari ke Banyak
Nasabah Volume
Tabungan 1
3 3
2 1
14 3
2 6
4 4
4 5
3 6
6 5
10 7
2 4
8 1
3 9
3 5
10 6
15 11
4 16
12 3
12 13
5 16
14 6
3 15
4 16
16 1
4 17
5 15
18 4
16 19
2 4
20 3
12 Bangkitan kombinasi data 2 dan data 3
Keterangan : X = Banyak nasabah yang menabung di hari ke-i
Y = Jumlah volume tabungan seluruh nasabah di hari ke-i ratus ribu
3.2. Pendeteksian outlier
Pendeteksian pencilan dapat dilakukan menggunakan metode grafis dan dengan menentukan nilai Leverages, DfFITS Difference fitted value FITS, dan
Cook’s Distance. Tabel dan gambar berikut merupakan hasil output dengan bantuan program
spss :
Universitas Sumatera utara
Gambar 3.1. Scatterplot Data Bangkitan Awal
Gambar 3.2. Scatterplot Data Bangkitan Kedua
2 4
6 8
10 12
14 16
18
2 4
6 8
Vo lu
m e
Tab u
n g
an
Banyak Nasabah
Volume TabunganY Linear Volume
TabunganY
2 4
6 8
10 12
14 16
18
2 4
6 8
Vo lu
m e
Tab u
n g
an
Banyak Nasabah
Volume TabunganY Linear Volume
TabunganY
Universitas Sumatera utara
Gambar 3.3. Data Bangkitan Ketiga
Gambar 3.4. Data Bangkitan Kombinasi Data 2 dan Data 3
Gambar 3.1, Gambar 3.2, Gambar 3.3, dan Gambar 3.4 merupakan hasil scatter plot yang diproleh dan dapat dilihat secara grafis gambar 3.1 menunjukkan bahwa
data pada Tabel 3.1 tidak mengandung pencilan. Sementara itu, Gambar 3.2, Gambar 3.3, dan Gambar 3.4 menunjukkan bahwa masing-masing data pada Tabel 3.2, Tabel
3.3, dan Tabel 3.4 memiliki data pencilan. Selanjutnya, metode pendeteksian outlier
2 4
6 8
10 12
14 16
18
2 4
6 8
Vo lu
m e
Tab u
n g
an
Banyak Nasabah
Volume TabunganY Linear Volume
TabunganY
2 4
6 8
10 12
14 16
18
2 4
6 8
Vo lu
m e
Ta b
u n
gan
Banyak Nasabah
Volume TabunganY Linear Volume
TabunganY
Universitas Sumatera utara
yang akan digunakan adalah uji statistik yaitu menentukan nilai Leverages, DfFITS Difference fitted value FITS, dan
Cook’s Distance.
Tabel 3.5, Tabel 3.6, Tabel 3.7, dan Tabel 3.8 merupakan hasil pendeteksian outlier untuk masing-masing data yakni dengan menggunakan bantuan software
MINITAB 16. Dari tabel telah diperoleh nilai Leverage, DfFITS Difference fitted value FITS, dan
Cook’s Distance yang dapat digunakan untuk mengetahui data yang merupakan pencilan. Jika Leverage Values lebih besar dari
maka data dapat dinyatakan sebagai outlier. Nilai
. Selain itu, nilai DFFITS digunakan untuk menyatakan data sebagai pencilan jika nilai | DFFITS | lebih besar
dari √
. Nilai √
yaitu √
Selanjutnya, jika nilai Cook’s lebih besar dari F0.5; p, n-p maka data juga dinyatakan sebagai outlier. Nilai distribusi F
untuk F0.5; 2,18 adalah 0,720538.
Universitas Sumatera utara
Tabel 3.5 Pendeteksian Pencilan untuk Data 1 dan Data 2
Hari ke- Pendeteksian Pencilan untuk Data 1
Pendeteksian Pencilan untuk Data 2 Leverage
DfFITS DFFITS
Cooks Leverage
DfFITS |DfFITS|
Cooks 1
0,05263 -0,3649
0,16852 0,061779
0,05263 -0,3429
0,34293 0,05536
2 0,16864
0,19427 0,19427
0,019763 0,16864
1,17347 1,17347
0,52097 3
0,08915 0,00566
0,00566 0,000017
0,08915 -0,0734
0,07338 0,00284
4 0,05908
-0,5151 0,51509
0,112499 0,05908
-0,4348 0,43481
0,08503 5
0,05263 -0,152
0,152 0,011939
0,05263 -0,1629
0,16292 0,01367
6 0,10849
-0,3182 0,31818
0,051097 0,10849
-0,2426 0,24264
0,03031 7
0,08915 -0,1685
0,16852 0,014782
0,08915 -0,2234
0,22338 0,02565
8 0,16864
-0,0672 0,06715
0,002384 0,16864
-0,2266 0,22662
0,02679 9
0,05263 -0,2194
0,21937 0,024241
0,05263 -0,2204
0,22037 0,02445
10 0,20086
-0,0902 0,09025
0,004303 0,20086
0,01808 0,01808
0,00017 11
0,05908 0,37903
0,37903 0,067035
0,05908 0,30612
0,30612 0,04561
12 0,05263
0,23967 0,23967
0,028666 0,05263
0,16717 0,16717
0,01437 13
0,10849 0,27853
0,27853 0,039585
0,10849 0,26143
0,26143 0,03503
14 0,20086
-0,5522 0,55221
0,150681 0,20086
-0,3643 0,36427
0,06813 15
0,05908 0,37903
0,37903 0,067035
0,05908 0,30612
0,30612 0,04561
16 0,16864
0,06309 0,06309
0,002105 0,16864
-0,1145 0,11453
0,00692 17
0,10849 0,17743
0,17743 0,016416
0,10849 0,17577
0,17577 0,01612
18 0,05908
0,37903 0,37903
0,067035 0,05908
0,30612 0,30612
0,04561 19
0,08915 -0,1685
0,16852 0,014782
0,08915 -0,2234
0,22338 0,02565
20 0,05263
0,23967 0,23967
0,028666 0,05263
0,16717 0,16717
0,01437
Berdasarkan hasil pendeteksian pencilan pada Tabel 3.5, data yang termasuk pencilan untuk data 1 dan data 2 yakni nilai yang lebih besar dari Leverage = 0,15
adalah data di hari ke-2, ke-8, ke-10, ke-14, dan ke-16. Selanjutnya, berdasarkan nilai yang lebih besar dari |DfFITS| =
, yang termasuk pencilan untuk data 2 yaitu data di hari ke-2 sedangkan pada data 1 tidak terdapat pencilan . Sementara itu,
pendeteksian berdasarkan nilai yang lebih besar dari Cook’s Distance = 0,720538, kedua data tidak ada yang dinyatakan sebagai pencilan.
Universitas Sumatera utara
Tabel 3.6 Pendeteksian Pencilan untuk Data 3 dan Data 4
Selanjutnya, hasil pendeteksian pencilan pada Tabel 3.6, data yang termasuk pencilan untuk data 3 dan data 4 yakni nilai yang lebih besar dari Leverage = 0,15
adalah data di hari ke-2, ke-8, ke-10, ke-14, dan ke-16. Berdasarkan nilai yang lebih besar dari |DfFITS| =
, yang termasuk pencilan untuk data 3 yaitu data di hari ke-14 sedangkan pada data 4 yaitu data di hari ke-2 dan ke-14. Kemudian,
pendeteksian berdasarkan nilai yang lebih besar dari Cook’s Distance = 0,720538 untuk data 3 yang termasuk pencilan adalah data di hari ke-14 sedangkan data 4 tidak
ada yang dinyatakan sebagai pencilan. Hari ke-
Pendeteksian Pencilan untuk Data 3 Pendeteksian Pencilan untuk Data 4
Leverage DfFITS |DFFITS| Cooks
Leverage DfFITS |DfFITS|
Cooks 1
0,05263 -0,2723
0,27232 0,0364
0,05263 -0,277
0,27702 0,03757
2 0,16864
0,07693 0,07693
0,00313 0,16864
0,865 0,865
0,32549 3
0,08915 -0,0123
0,0123 0,00008
0,08915 -0,0787
0,07868 0,00327
4 0,05908
-0,3478 0,34778
0,05752 0,05908
-0,3213 0,32125
0,04982 5
0,05263 -0,1081
0,10811 0,00611
0,05263 -0,1271
0,12706 0,0084
6 0,10849
-0,15 0,15003
0,01179 0,10849
-0,1143 0,11434
0,00688 7
0,08915 -0,153
0,15304 0,01223
0,08915 -0,2079
0,20791 0,0223
8
0,16864 -0,134
0,13395 0,00945
0,16864 -0,2689
0,26889 0,03749
9 0,05263
-0,1612 0,16121
0,01339 0,05263
-0,1756 0,1756
0,01581 10
0,20086 0,14344
0,14344 0,01084
0,20086 0,21268
0,21268 0,0237
11 0,05908 0,34917
0,34917 0,05793
0,05908 0,30485
0,30485 0,04526
12 0,05263 0,20662
0,20662 0,02162
0,05263 0,15685
0,15685 0,01269
13 0,10849 0,33151
0,33151 0,05525
0,10849 0,32228
0,32228 0,05236
14 0,20086
-1,6523 1,65235
0,88191 0,20086
-1,2816 1,2816
0,62811 15
0,05908 0,34917 0,34917
0,05793 0,05908
0,30485 0,30485
0,04526 16
0,16864 -0,0284
0,02837 0,00043
0,16864 -0,17137 0,17137
0,01542 17
0,10849 0,24793 0,24793
0,0316 0,10849
0,24662 0,24662
0,03128 18
0,05908 0,34917 0,34917
0,05793 0,05908
0,30485 0,30485
0,04526 19
0,08915 -0,153
0,15304 0,01223
0,08915 -0,20791 0,20791
0,0223 20
0,05263 0,20662 0,20662
0,02162 0,05263
0,15685 0,15685
0,01269
Universitas Sumatera utara
3.3. Metode Kuadrat Terkecil