Melola Discovery

← Melola Discovery

Jurnal Tanpa peringkat SINTA

Bagan Kendali Robust Multivariat untuk Pengamatan Individual

Jurnal Matematika, Statistika dan Komputasi · Vol. 15 No. 2 (2018) · hlm. 34–43

DOI
10.20956/jmsk.v15i2.5712
ISSN
2614-8811, 1858-1382
Terbit
2018-12-20
Penerbit
Department of Mathematics, Hasanuddin University
Bahasa
en

Abstrak

AbstractThe most widely used of control chart in multivariate control processing is control chart T2 Hotelling. There are 2 kinds of control chart T2 Hotelling, namely T2 Hotelling for group observation and T2 Hotelling for individual observation. In this paper, discuss the control chart T2 Hotelling for individual observation. This control chart is used for monitoring of mean vector and sample of covariance matrix. Mean vector and sample of covariance matrix are very sensitive with respect to extreme point (outliers). Therefore, it is needed an estimator of mean vector and has a stocky population covariance matrix to the outliers data. One method that can be used to detect data that contains outliers is Minimum Covariance Determinant (MCD). From the calculation results, obtained that control chart T2 Hotelling by using Fast-MCD algorithm is more sensitive to detect outliers data than T2 Hotelling classically.Keyword: T2 Hotelling, Minimum Covariance Determinant (MCD), robust, outlier AbstrakBagan kendali yang paling banyak digunakan dalam pengendalian proses secara multivariat adalah bagan kendali T2 Hotelling. Ada 2 jenis dari bagan kendali Hotelling yaitu bagan kendali Hotelling untuk pengamatan kelompok dan individual. Pada tulisan ini membahas bagan kendali Hotelling untuk pengamatan individual. Bagan kendali ini digunakan untuk memonitor vektor rata-rata dan matriks kovariansi sampel. Vektor rata-rata dan matriks kovariansi sampel sangat sensitif terhadap titik ekstrim (outliers). Oleh karena itu dibutuhkan estimator vektor rata-rata dan matriks kovariansi populasi yang kekar terhadap data outliers. Salah satu metode yang dapat digunakan untuk mendeteksi data yang mengandung outliers adalah Minimum Covariance Determinant (MCD). Dari hasil perhitungan diperoleh bahwa bagan kendali T2 Hotelling dengan algoritma Fast-MCD lebih sensitif mendeteksi data outliers daripada T2 Hotelling klasik.Kata Kunci: T2 Hotelling, Minimum Covariance Determinant (MCD), robust, outlier.

Jaringan kolaborasi para penulis

35 penulis · 74 tautan kepenulisan bersama · 4 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Hasanuddin University
  • Lampung University
  • State University of Semarang
  • Binus University
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Georgina Maria TinungkiHasanuddin University5
Nasrah SirajangHasanuddin University4
Nurtiti SunusiHasanuddin University3
Saleh AfAfiliasi tidak diketahui2
Rizki AdiputraHasanuddin University1
Sitti SahrimanHasanuddin University1
Ika FitrianaHasanuddin University1
Ratmila MammiAfiliasi tidak diketahui1
Aqilah Salsabila RahmanAfiliasi tidak diketahui1
Riska RasyidHasanuddin University1
Nurhidaya LAfiliasi tidak diketahui1
Sonya SonyaAfiliasi tidak diketahui1
Sitti SahrimanAfiliasi tidak diketahui1
Rael Hofni TandirerungAfiliasi tidak diketahui1
Nuralyatussa’ AdaAfiliasi tidak diketahui1
Alimatun NajihaHasanuddin University1
Andi Kresna JayaHasanuddin University1
Fadhila Febriyanti NajamuddinHasanuddin University1
Mayashari MayashariHasanuddin University1
Anisa AnisaHasanuddin University1
Mustabsyirah MustabsyirahHasanuddin University1
Agung Muhammad TakdirHasanuddin University1
Sri Astuti ThamrinHasanuddin University1
Nuravia NuraviaAfiliasi tidak diketahui1
Fitriani FitrianiLampung University1
Andi Fitri AyuAfiliasi tidak diketahui1
Aidawayati RangkutiHasanuddin University1
Andi waru A. PaluseriAfiliasi tidak diketahui1
Nirwan IlyasAfiliasi tidak diketahui1
Anisa AnisaHasanuddin University1
Irawaty IrawatyState University of Semarang1
Suci Barlian SariHasanuddin University1
Puji Puspa SariHasanuddin University1
Samsul ArifinBinus University1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Bagan Kendali Robust Multivariat untuk Pengamatan Individual</dc:title>
	<dc:creator xml:lang="en">Herdiani, Erna Tri</dc:creator>
	<dc:description xml:lang="en">AbstractThe most widely used of control chart in multivariate control processing is control chart T2 Hotelling. There are 2 kinds of control chart T2 Hotelling, namely T2 Hotelling for group observation and T2 Hotelling  for individual observation. In this paper, discuss the control chart T2 Hotelling for individual observation. This control chart is used for monitoring of mean vector and sample of covariance matrix.   Mean vector and sample of covariance matrix are very sensitive with respect to extreme point (outliers). Therefore, it is needed  an estimator of mean vector and has a stocky population covariance matrix to the outliers data. One method that can be used to detect data that contains outliers is  Minimum Covariance Determinant (MCD). From the calculation results, obtained that  control chart T2 Hotelling by using Fast-MCD algorithm is more sensitive to detect outliers data  than  T2 Hotelling classically.Keyword: T2 Hotelling, Minimum Covariance Determinant (MCD), robust, outlier AbstrakBagan kendali yang  paling banyak digunakan dalam pengendalian proses secara multivariat adalah bagan kendali T2 Hotelling. Ada 2 jenis dari bagan kendali  Hotelling yaitu bagan kendali  Hotelling untuk pengamatan kelompok dan individual. Pada tulisan ini membahas bagan kendali  Hotelling untuk pengamatan individual. Bagan kendali ini digunakan untuk memonitor vektor  rata-rata dan matriks kovariansi sampel. Vektor rata-rata dan matriks kovariansi sampel sangat sensitif terhadap titik ekstrim (outliers). Oleh karena itu dibutuhkan estimator vektor rata-rata dan matriks kovariansi populasi yang kekar terhadap data outliers. Salah satu metode yang dapat digunakan untuk mendeteksi data yang mengandung outliers adalah Minimum Covariance Determinant (MCD). Dari hasil perhitungan diperoleh bahwa bagan kendali T2 Hotelling dengan algoritma Fast-MCD lebih sensitif mendeteksi data outliers daripada T2 Hotelling klasik.Kata Kunci: T2 Hotelling, Minimum Covariance Determinant (MCD), robust, outlier.</dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2018-12-20</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/5712</dc:identifier>
	<dc:identifier>10.20956/jmsk.v15i2.5712</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 15 No. 2 (2019): JMSK Vol. 15, No. 2, January 2019; 34-43</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/5712/3149</dc:relation>
	<dc:relation>10.20956/j.v15i2.5712.g3149</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2018 Jurnal Matematika Statistika dan Komputasi</dc:rights>
</oai_dc:dc>