Penentuan Panjang Optimal Data Deret Waktu Bebas Outlier dengan Menggunakan Metode Window Time

Data outlier sering kali mempengaruhi model data secara umum sehingga pengaruh dari data outlier tersebut harus dikurangi atau dihilangkan. Namun, di sisi lain outlier merupakan data yang sangat informatif apabila penyebab adanya outlier tersebut diketahui sehingga beberapa penelitian merekomendasikan untuk tidak menghilangkan outlier namun mengganti model awal dengan model baru yang disisipkan dengan model outlier. Kemunculan outlier dapat menyebabkan bias yang cukup serius dalam estimasi parameter. Atas dasar penelitian-penelitian yang dilakukan sebelumnya maka pada penelitian ini dilakukan metode baru untuk mendeteksi outlier. Tujuan dari metode ini adalah untuk mendapatkan panjang data optimum yang bisa digunakan untuk mendeteksi data outlier. Penelitian ini terfokus pada pendeteksian outlier pada data deret waktu dengan jumlah data yang banyak. Dari hasil simulasi data dan implementasi yang dilakukan pada data riil didapatkan hasil bahwa window time 500 dan 1000 memberikan nilai akurasi deteksi outlier lebih baik dibandingkan dengan window time 100. Selain itu, metode deteksi menggunakan window time memberikan hasil yang lebih baik dibandingkan metode deteksi outlier biasa