English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Outlier adalah suatu observasi yang polanya tidak mengikuti mayoritas data.Outlier dalam kasus multivariat sangat sulit untuk dideteksi, khususnya ketikadimensi lebih dari 2. Kesulitan ini meningkat ketika data set berukuran besar,yakni jumlah variabel menjadi besar. Metode-metode pendeteksian outlier telahlama berkembang dan beberapa digunakan untuk pelabelan outlier sehingga datadapat dipisahkan antara data yang dicurigai sebagai outlier dan data set padaumumnya. Metode-metode tersebut adalah minimum volume ellipsoid disingkatMVE, minimun covariance determinant disingkat MCD, dan minimum vectorvariance disingkat MVV. Dari ketiga metode tersebut MVV memiliki waktuperhitungan yang paling cepat. Berdasarkan algoritma MVV, kriteriamengurutkan data menggunakan jarak mahalanobis, maka pada paper ini akandimodifikasi kriteria pengurutan data dengan menghindari penulisan dalambentuk invers dari matriks variansi kovariansi. Hasil yang diperoleh adalahmetode MVV menjadi lebih cepat dengan menggunakan kriteria baru dengankecermatan yang sama dengan MVV sebelumnya serta akan diaplikan untukdata real dan data simulasi.

Modifikasi Penaksir Robust dalam Pelabelan Outlier Multivariat