Search engine for discovering works of Art, research articles, and books related to Art and Culture
ShareThis
Javascript must be enabled to continue!

Bagan Kendali Robust Multivariat untuk Pengamatan Individual

View through CrossRef
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.
Title: Bagan Kendali Robust Multivariat untuk Pengamatan Individual
Description:
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.

Related Results

Bagan Kendali Robust Multivariat untuk Pengamatan Individual
Bagan Kendali Robust Multivariat untuk Pengamatan Individual
Bagan kendali yang  paling banyak digunakan dalam pengendalian proses secara multivariat adalah bagan kendali T2 Hotelling. Ada 2 jenis dari bagan kendali  Hotelling yaitu bagan ke...
Peta Kendali Demerit Untuk Data Autokorelasi (Moving Centerline Demerit dan Moving Range)
Peta Kendali Demerit Untuk Data Autokorelasi (Moving Centerline Demerit dan Moving Range)
ABSTRAK Proses industri seringkali menghasilkan data cacat yang bersifat autokorelasi, hal ini meyebabkan asumsi dasar penggunaan peta kendali tidak terpenuhi. Peta kendali demerit...
Perhitungan Daya Roller Pada Alat Tangkap Bagan Tancap
Perhitungan Daya Roller Pada Alat Tangkap Bagan Tancap
Bagan Tancap Pangandaran merupakan alat tangkap ikan tradisional yang digunakan nelayan untuk menangkap jenis ikan pelagis kecil seperti ikan teri dan udang rebon. Teknik pengopera...
KEADAAN SOSIAL EKONOMI NELAYAN BAGAN TANCAP DI PANTAI TIMUR PERAIRAN PANGANDARAN, JAWA BARAT
KEADAAN SOSIAL EKONOMI NELAYAN BAGAN TANCAP DI PANTAI TIMUR PERAIRAN PANGANDARAN, JAWA BARAT
Penelitian ini bertujuan untuk mengetahui keadaan social ekonomi keluarga nelayan bagan di Pantai Timur Kabupaten Pangandaran, Jawa Barat. Penelitian ini dilaksanakan pada bulan Se...
PENGEMBANGAN PERANGKAT KENDALI JARAK JAUH SISTEM PENDINGIN PRIMER REAKTOR KARTINI
PENGEMBANGAN PERANGKAT KENDALI JARAK JAUH SISTEM PENDINGIN PRIMER REAKTOR KARTINI
PENGEMBANGAN PERANGKAT KENDALI JARAK JAUH SISTEM PENDINGIN PRIMER REAKTOR KARTINI.Telah dibuat perangkat kendali jarak jauh sistem pendingin primer Reaktor Kartini. Perangkat ini d...
AUTOKORELASI PADA BAGAN KENDALI
AUTOKORELASI PADA BAGAN KENDALI
Dalam penggunaan bagan kendali, data yang mengkonstruksi bagan kendaliharus memenuhi asumsi kebebasan dan kenormalan. Autokorelasi melanggar asumsi kebebasan pada bagan kendali dan...

Back to Top