Anomaly Detection adalah Apa? Mencari Titik yang Berbeda dari Pola Normal

Updated · By Viviai

Anomaly Detection (deteksi anomali, juga disebut deteksi outlier) adalah proses mengidentifikasi titik atau peristiwa yang berbeda jelas dari sebagian besar data. Titik anomali ini sering menandakan masalah seperti penipuan, kerusakan perangkat, atau kesalahan sistem. Metode ini umumnya mengandalkan pembelajaran tak terbimbing untuk mempelajari apa yang menjadi pola normal.

Apa Itu Deteksi Anomali

Sebagian besar data berkumpul di sekitar pola yang dapat diprediksi, tetapi sejumlah titik terletak terpisah. Deteksi anomali bertujuan menemukan titik tersebut. Bayangkan pemantauan kartu kredit: transaksi luar negeri pada malam hari dengan jumlah tidak biasa dapat ditandai sebagai penipuan.

Jenis Anomali

Metode yang Umum

Metode Statistik

Menetapkan asumsi tentang distribusi data lalu mencari titik di luar rentang yang diharapkan, misalnya titik yang berjarak beberapa kali simpangan baku dari rata-rata.

Metode Berbasis Jarak

Mengukur jarak antar titik. Jika sebuah titik terpisah jauh dari tetangganya, ia bisa menjadi titik pencil.

Metode Pembelajaran Mesin

Tabel Ringkasan

Pendekatan Prinsip Contoh
Statistik Membandingkan dengan distribusi normal Simpangan baku
Jarak Melihat tetangga Jarak ke titik lain
Pembelajaran mesin Meniru pola normal autoencoder, k-means

Penerapan

Keterbatasan

FAQ

Anomaly Detection Gunanya Apa?

Mencari titik atau peristiwa yang berbeda dari pola normal, seperti penipuan, kerusakan mesin, atau intrusi jaringan.

Anomali dan Outlier Beda Tidak?

Dalam banyak kasus dipakai hampir sama. Outlier menekankan titik yang terpisah dari kelompok utama, sedangkan anomali menekankan hal yang berbeda dari pola normal.

Itu Supervised atau Unsupervised?

Sebagian besar unsupervised karena anomali sejati sering tidak berlabel, tetapi beberapa kasus dapat memakai data berlabel.

Mengapa Anomali Langka?

Peristiwa anomali seperti penipuan atau kerusakan terjadi jauh lebih jarang daripada peristiwa normal, sehingga data menjadi tidak seimbang.

Sistem Dapat Salah Memberi Alarm?

Bisa. Jika ambang terlalu sensitif, sistem dapat salah menandai peristiwa normal; perlu kalibrasi dengan hasil nyata.

Ringkasan

Sources

  1. https://id.wikipedia.org/wiki/Deteksi_anomali
  2. https://en.wikipedia.org/wiki/Anomaly_detection

Learn by doing

Read a guide, then practice with bite-sized AI lessons you can take offline.

Start learning free