Pendeteksian Pencilan Aditif Dan Inovatif Dalam Data Deret Waktu

Abstract

Terdapat dua jenis pencilan dalam data deret waktu yaitu pencilan aditif atau "additive outlier (AO)" dan pencilan inovatif atau "innovations outlier (10)". Keberadaan pencilan dalam data deret waktu tidak dapat dihilangkan begitu saja disebabkan adanya korelasi yang tinggi antar pengamatan tersebut. Di samping itu keberadaan pencilan dalam data deret waktu akan berpengaruh pada peramalan di masa mendatang. Oleh sebab itu diperlukan suatu metode untuk mendeteksi keberadaan pencilan tersebut. Penelitian ini bertujuan untuk mendeteksi pencilan AO dan IO dalam data deret waktu menggunakan prosedur iteratif. Prosedur iteratif merupakan suatu prosedur untuk mengatasi terjadinya pencilan AO maupun 10. Prosedur ini dirancang untuk mendeteksi keberadaan pencilan serta mengidentifikasi jenis atau tipe pencilan secara simultan. Penelitian ini mendeteksi adanya pencilan AO dan 10 pada tiga ukuran data yaitu n = 50 n = 100 dan n = 150 serta lima ukuran pencilan yaitu omega = 1.5k ok, omega = 0.9k omega = 0.8k dan omega = 0.75k dengan k adalah kisaran (range) data yang masing-masing diulang 10 kali. Ketepatan prosedur iteratif dalam mendeteksi pencilan ditunjukkan oleh persentase ketepatan prosedur dalam mendeteksi keberadaan maupun tipe pencilan. Berdasarkan penelitian yang telah dilakukan diperoleh hasil persentase ketepatan prosedur dalam mendeteksi pencilan aditif sebagai pencilan tipe AO dengan omega = 1.5k dan ak pada berbagai n bervariasi antara 40% sampai 70%, sedangkan pada 0.9%, omega = 0.8k dan omega = 0.75k menunjukkan hasil yang sama sekitar 25% sampai 70%. Pada pendeteksian pencilan inovatif diperoleh hasil persentase ketepatan prosedur dalam mendeteksi pencilan inovatif sebagai pencilan tipe 10 hampir sama untuk semua nilai yaitu bervariasi antara 50% sampai 80%. Secara umum ketepatan prosedur dalam mendeteksi keberadaan pencilan semakin meningkat seiring dengan meningkatnya nilai n dan .