Dalam tesis ini dibahas tentang pendeteksian dan pengoreksian data yang mengandung additive outlier (AO) pada model ARIMA(p,d,q). Proses pendeteksian dan pengoreksian data ini menggunakan prosedur iteratif yang dipopulerkan oleh Box, Jenkins, and Reinsel (1994). Dengan menggunakan metode ini maka diperoleh suatu model ARIMA yang cocok untuk data yang mengandung AO, model ini merupakan model ARIMA asli ditambahkan dengan koefisien yang diperoleh dari proses iterasi menggunakan metode regresi. Pada simulasi data ini diperoleh bahwa data yang mengandung AO model awalnya adalah ARIMA(2,0,0) 1 2 0,0600 0, 209 0, 417 . t t t Z Z Z      dengan MSE = 36,780, setelah dilakukan pendeteksian dan pengoreksian data dengan proses iterasi diperoleh model ARIMA(2,0,0) dengan koefisien yang diperoleh dari regresi       1 2 1 2 3 0,106 0,204 0,401 329 115 35,9 t t t Z Z Z X t X t X t         dan MSE = 19,365. Dari sini terlihat bahwa terjadi perbaikan tingkat kesalahan peramalan data.

In this thesis discussed on the detection and correction of data containing the additive outlier (AO) on the model ARIMA (p, d, q). The process of detection and correction of data using an iterative procedure popularized by Box, Jenkins, and Reinsel (1994). By using this method we obtained an ARIMA models were fit to the data containing AO, this model is added to the original model of ARIMA coefficients obtained from the iteration process using regression methods. In the simulation data is obtained that the data contained AO initial models are ARIMA (2,0,0) 1 2 0,0600 0,209 0, 417 t t t Z Z Z      with MSE = 36,780, after the detection and correction of data obtained by the iteration of the model ARIMA (2,0,0) with the coefficients obtained from the regression       1 2 1 2 3 0,106 0,204 0,401 329 115 35,9 t t t Z Z Z X t X t X t         and MSE = 19,365. This shows that there is an improvement of forecasting error rate data.

Kata Kunci : ARIMA(p,d,q), Additif Outlier (AO), Pendeteksian Data Outlier, Koreksi Data Outlier