Keberadaan multikolinearitas dan outlier pada model regresi linear berganda mengganggu proses analisis data, sehingga pendeteksian multikolinearitas dan outlier sangat penting untuk dilakukan. Ketika data yang digunakan merupakan data pada model regresi linear berganda, maka pendeteksian tersebut menjadi sulit untuk dilakukan. Metode Robust PCA merupakan gabungan teknik Analisis Komponen Utama (AKU) dan Minimum Covariance Determinant (MCD) yang dapat mengatasi masalah multikolinearitas dan outlier pada model regresi linear berganda. Sebelum melakukan pendeteksian outlier menggunakan metode MCD, perlu dilakukan pereduksian dimensi data dengan metode AKU. Prinsip Metode MCD adalah mendapatkan subhimpunan dari keseluruhan pengamatan yang matriks varian kovariannya memiliki determinan terkecil diantara semua kombinasi kemungkinan data. Pendeteksian outlier dengan Metode MCD dilakukan berdasarkan jarak robust dan nilai cut-o nya. Suatu pengamatan terdeteksi sebagai outlier ketika jarak robust lebih besar dari nilai cut-o. Sedangkan untuk mengklasikasikan outlier dilakukan dengan cara membuat diagnostic plot Jarak Mahalanobis versus Jarak Robust. Selanjutnya analisis regresi komponen
utama dilakukan, untuk mengatasi multikolinearitas dan untuk mendapatkan model regresi linear berganda. Penerapan Metode Robust PCA pada data tingkat kepuasan pelanggan menghasilkan nilai VIF pada setiap komponen utama 1, dari
diagnostic plot outlier sudah teratasi, dan nilai R2 meningkat menjadi 66,1%.