##plugins.themes.academic_pro.article.sidebar##

Submitted
Dec 22, 2022
Published
Jan 7, 2023
Download
PDF
Statistic
Read Counter : 6457 Download : 8058

Downloads

Download data is not yet available.

Main Article Content

Abstract

Penelitian ini bertujuan mengindentifikasi outlier (pencilan) dan kenormalan data pada univariat data. Adapun data yang digunakan berupa data persentase kemiskinan di Indonesia tahun 2022 yang berasal dari Badan Pusat Statistik.  Metode pengujian outlier dilakukan dengan menggunakan grafik box plot, histrogram dan uji Grubbs. Sedangkan pengujian kenormalan data menggunkan uji SK Test dan Shapiro Wilk.  Hasil penelitian menunjukkan terdapat data outlier yaitu pada observasi Provinsi Papua, dan data tidak berdistribusi normal. Selanjutnya dilakukan berbagai alternatif dalam menangani data outlier. Hasil menunjukkan menggunakan teknik tranformasi box cox, winsorizing dan trimming data, dapat menyelesaikan masalah outlier data. Metode box cox dan trimming sekaligus mampu mengatasi masalah kenormalan data, sedangkan metode winsorizing belum dapat mengatasi masalah kenormalan data.

Article Details

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

How to Cite
Sihombing, P. R., Suryadiningrat, S., Sunarjo, D. A., & Yuda, Y. P. A. C. (2023). Identifikasi Data Outlier (Pencilan) dan Kenormalan Data Pada Data Univariat serta Alternatif Penyelesaiannya . Jurnal Ekonomi Dan Statistik Indonesia, 2(3), 307-316. https://doi.org/10.11594/jesi.02.03.07

References

Barnett, V., & Lewis, T. (1994). Outliers in statisti-cal data. John Wiley.
Box, G. E. P., & Cox, D. R. (1964). An analysis of transfor-mations. Journal of the Royal Statistical Society, 26(211–252).
BPS. (2022). Penghitungan dan Analisis Kemiskinan Makro Indonesia Tahun 2022.
D’Agostino, R. B., Belanger, A. J., & Jr, R. B. D. (1990). A suggestion for using powerful and informative tests of normality. American Statistician 44: ., 44, 316–321.
Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25. Universitas Diponegoro.
Grubbs, F. (1969). Procedures for Detecting Outlying Observations in Samples. Technometrics, 11(1), 1–21.
Hastings, J., Cecil, Mosteller, Rederick, Tukey, W, J., & Winsor, C. (1947). Low moments for small sam-ples: a comparative study of order statistics. An-nals of Mathematical Statistics, 18(3), 413–426.
Hawkins, D. (1980). Identification of Outliers. Chapman and Hall.
Pollock, P. (2011). Stata Companion to Political Analysis (2nd ed.). CQ Press.
Royston, P. (1983). A simple method for evaluating the Shapiro-Francia W’ test for non-normality. Statis-tician, 32, 297–300.
Stefansky, W. (1972). Rejecting Outliers in Factorial De-signs. Technometrics, 14(1), 469–479.
Triola, M. (2018). Elementary Statistics Using Excel (6th ed.). Pearson.