Pada umumnya peta kendali yang sering digunakan dalam pengendalian kualitas statistik adalah peta kendali Shewhart. Peta kendali ini bekerja hanya dengan menggunakan informasi yang terkandung dalam titik sampel terakhir dan mengabaikan informasi dari seluruh barisan titik sampel sebelumnya. Hal ini membuat peta kendali Shewhart kurang efektif dalam mendeteksi pergeseran rata-rata yang relatif kecil pada proses produksi. Sebagai alternatif, dikembangkan peta kendali Cumulative Sum (Cusum) dan peta kendali Exponentially Weighted Moving Average (EWMA). Penelitian ini menerapkan peta kendali Cusum dan peta kendali EWMA serta membandingkan kinerjanya dalam mendeteksi pergeseran rata-rata yang relatif kecil pada data produksi. Tahapan pengerjaan dimulai dari melakukan analisis peta kendali Cusum dan peta kendali EWMA dengan menghitung nilai statistik, batas kendali, dan membentuk grafik setiap peta kendali. Selanjutnya, dihitung nilai Average Run Length (ARL) sebagai acuan untuk membandingkan kinerja kedua peta kendali. Berdasarkan hasil penerapannya pada produksi wajan nomor 18 di CV. XYZ, pada peta kendali Cusum tidak terdapat titik-titik yang berada di luar batas kendali. Namun, pada peta kendali EWMA mampu mendeteksi adanya 9 titik yang berada di luar batas kendali sehingga proses produksi tidak terkendali secara statistik. Selain itu berdasarkan perolehan nilai ARL, diketahui nilai ARL peta kendali EWMA menunjukkan hasil yang lebih kecil yaitu sebesar 45,832 dibandingkan dengan nilai ARL peta kendali Cusum yang sebesar 69,108. Dari hasil analisis didapat kesimpulan bahwa peta kendali EWMA lebih efektif daripada peta kendali Cusum dalam mendeteksi adanya pergeseran rata-rata yang relatif kecil pada produksi wajan nomor 18 di CV. XYZ. Kata Kunci: Cusum, EWMA, ARL

Outliers are observations that differ significantly from others that can affect the estimation results in the model and reduce the estimator's accuracy. To deal with outliers is to remove outliers from the data. However, sometimes important information is contained in the outlier, so eliminating outliers is a misinterpretation. There are two types of outliers in the time series model, Innovative Outlier (IO) and Additive Outlier (AO). In the GSTAR model, outliers and spatial and time correlations can also be detected. We introduce an iterative procedure for detecting outliers in the GSTAR model. The first step is to form a GSTAR model without outlier factors. Furthermore, the detection of outliers from the model's residuals. If an outlier is detected, add an outlier factor into the initial model and estimate the parameters so that a new GSTAR model and residuals are obtained from the model. The process is repeated by detecting outliers and adding them to the model until a GSTAR model is obtained with no outliers detected. As a result, outliers are not removed or ignored but add an outlier factor to the GSTAR model. This paper presents case studies about Dengue Hemorrhagic Fever cases in five locations in West Kalimantan Province. These are the subject of the GSTAR model with adding outlier factors. The result of this paper is that using an iterative procedure to detect outliers based on the GSTAR residual model provides better accuracy than the regular GSTAR model (without adding outliers to the model). It can be solved without removing outliers from the data by adding outlier factors to the model. This way, the critical information in the outlier id is not lost, and an accurate ore model is obtained.

Control charts are generally use in quality control processes, especially in the industrial sector, because they are helpful to increase productivity. However, control charts can also be used in time series analysis. The residuals from the time series model are used as observations in constructing the control chart. Because there is only one variable observed, namely the residual, the control chart used is the Individual Moving Range (IMR). This study analysis the accuracy of the time series model using the IMR control chart in two models, namely the Autoregressive Distributed Lag (ADL) model without outliers and the ADL model with outliers. The results showed that the control chart could be used to measure the accuracy of the time series model. The accuracy of the model can be seen from the statistically controlled residual (in control).

Suatu lokasi saling berhubungan satu dengan yang lainnya dan sesuatu yang berjarak dekat memiliki pengaruh yang lebih dibandingkan dengan lokasi yang jauh. Hal ini yang mendasari adanya keterkaitan suatu kejadian antar lokasi atau disebut autokorelasi spasial. Salah satu metode yang dapat digunakan untuk melihat pola keterkaitan tersebut adalah metode Inverse Distance Weighting (IDW). Metode ini menggunakan faktor parameter pengaruh yaitu power (p) dalam melihat pengaruh lokal antar titik lokasi. Semakin besar niai p berarti nilai titik tak tersampel menjadi lebih terlokalisasi dan sebaliknya. Input yang digunakan pada model ini adalah koordinat titik untuk titik tersampel beserta nilai dari setiap titik yang akan diestimasi. Pada penelitian ini kasus yang digunakan adalah kasus terkonfirmasi positif virus Covid-19 per 76 kabupaten/kota di Pulau Jawa hingga tanggal 26 Februari 2022. Penelitian ini bertujuan untuk melihat pemetaan kasus terkonfirmasi positif di Pulau Jawa per kabupaten melalui peta kontur menggunakan model IDW. Kabupaten/kota yang tidak dijadikan lokasi tersampel dapat diestimasi melalui model ini. Langkah pertama adalah membuat peta grid, kemudian menghitung jarak antar lokasi tersampel. Selanjutnya jarak tersebut digunakan untuk menghitung bobot setiap lokasi tersampel. Langkah berikutnya adalah estimasi nilai di lokasi tak tersampel menggunakan nilai power. Nilai power yang digunakan pada penelitian ini adalah 0,5;1;2;3;4;5. Pemilihan nilai power yang tepat didasarkan pada nilai RMSE terkecil. Hasilnya diperoleh nilai power yang optimal adalah saat p=2 dan diperoleh estimasi kasus positif Covid-19 di lokasi tak tersampel sehingga diperoleh peta kontur.

Peramalan adalah alat bantu yang penting dalam perencanaan yang efektif dan efisien. Salah satu langkah setelah peramalan adalah melakukan verifikasi model untuk memeriksa apakah model yang didapat sudah baik atau tidak untuk peramalan pada periode ke depan. Penelitian ini bertujuan untuk menerapkan metode Statistical Process Control (SPC) untuk memverifikasi model ARIMA terbaik dengan grafik pengendali Individual Moving Range (IMR). Grafik pengendali yang digunakan untuk menentukan perubahan dalam pola data menggunakan nilai errornya. Data yang digunakan dalam  penelitian ini  merupakan data bulanan jumlah kecelakaan lalu lintas Kota Pontianak dari tahun 2012 hingga tahun 2016 yang diperoleh dari Kepolisian Daerah Kalimantan Barat. Berdasarkan identifikasi model didapat model terbaik yaitu model ARIMA  dengan hasil verifikasinya menunjukkan bahwa semua nilai error dalam keadaan terkendali. Perolehan nilai  MAPE pada model ARIMA adalah 14,88% dan BIC sebesar 4,23 artinya model ARIMA  baik untuk meramalkan jumlah kecelakaan lalu lintas Kota Pontianak satu tahun ke depan. Kata Kunci: Peramalan, SPC, grafik pengendali IMR