<![CDATA[Abstract. One important aspect for describing data distribution is the central value of the observation data. When conducting research, especially in analyzing a set of data, we often find outlier data. Outliers are observations that have values that are very far from the general value, or in other words, these observations are located far from the distribution of other data, so they have a negative effect on the results of drawing conclusions. The factors that cause this outlier data to appear are data input errors, sampling errors and so on. The existence of outliers can affect the central value of the data set. Therefore it is necessary to detect outliers. Of the several outlier detection methods that have been developed previously, in this research the robust Harmonic Mean - Standard Deviation Harmonic Mean (HM-SDHM) method will be used. This method was applied to data on the length of time until the trial decision at the Bandung State Administrative Court (PTUN) in 2019-2021. There are several sub-groups in the data on the length of time from daylight until the trial decision at PTUN Bandung in 2019-2021, namely: conventional sub-group, electronic sub-group, personnel sub-group, auction sub-group, licensing sub-group, land sub-group, and sub-group other. The application of the robust method (HM-SDHM) was carried out on all subgroups and produced several outlier data in each group. It was found that there were 34 outlier data in the overall data, 15 outlier data in the conventional data sub-group, 19 outlier data in the electronic data sub-group, 6 outlier data in the personnel data sub-group, no outlier data in the auction data sub-group, 1 outlier data in the licensing data sub-group, 13 outlier data in the land data sub-group, and 14 outlier data in the other data sub-group. Abstrak. Salah satu aspek yang penting untuk menggambarkan distribusi data adalah nilai pusat data pengamatan. Dalam melakukan penelitian khususnya dalam menganalisis sekumpulan data sering kali kita temukan data pencilan. Pencilan adalah pengamatan yang memiliki nilai yang sangat jauh dari nilai umumnya, atau dengan kata lain pengamatan tersebut terletak jauh dari sebaran data yang lainnya, sehingga berpengaruh buruk terhadap hasil penarikan kesimpulan. Faktor-faktor yang menyebabkan munculnya data pencilan ini yaitu pada kesalahan input data, kesalahan pengambilan sampel dan lain sebagainya. Keberadaan pencilan dapat mempengaruhi nilai pusat dari kumpulan data. Oleh karena itu perlu untuk mendeteksi pencilan. Dari beberapa metode deteksi pencilan yang telah dikembangkan sebelumnya, pada penelitian kali ini akan digunakan metode robust Harmonic Mean – Standard Deviation Harmonic Mean (HM-SDHM). Metode tersebut diterapkan pada data lama waktu sampai keputusan sidang di pengadilan tata usaha negara (PTUN) Bandung pada tahun 2019-2021. Terdapat beberapa sub kelompok pada data lama waktu siang sampai keptusan sidang di PTUN Bandung pada tahun 2019-2021, yaitu: sub kelompok konvensional, sub kelompok elektronik, sub kelompok kepegawaian, sub kelompok lelang, sub kelompok perizinan, sub kelompok pertanahan, dan sub kelompok lainnya. Penerapan metode robust (HM-SDHM) dilakukan terhadap semua sub kelompok dan menghasilkan beberapa data pencilan di setiap kelompoknya. Diperoleh bahwa ada 34 data pencilan pada data keseluruhan, 15 data pencilan pada sub kelompok data konvensional, 19 data pencilan pada sub kelompok data elektronik, 6 data pencilan pada sub kelompok data kepegawaian, tidak ada data pencilan pada sub kelompok data lelang, 1 data pencilan pada sub kelompok data perizinan, 13 data pencilan pada sub kelompok data pertanahan, dan 14 data pencilan pada sub kelompok data lainnya.]]>
