Anomaly Detection adalah Apa? Mencari Titik yang Berbeda dari Pola Normal
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
- Point anomaly: satu titik yang anomali dibanding data lainnya
- Contextual anomaly: nilai yang anomali dalam konteks tertentu, misalnya suhu yang sama normal pada siang hari tetapi anomali pada malam hari
- Collective anomaly: sekelompok titik yang anomali secara keseluruhan, walau setiap titik bisa terlihat normal
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
- K-means: titik yang sulit masuk kelompok atau jauh dari pusat klaster bisa jadi anomali
- Autoencoder: jika rekonstruksi data buruk, galat tinggi menandakan anomali
- Jaringan saraf tiruan: mempelajari pola normal lalu memberi skor penyimpangan
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
- Keuangan: mendeteksi penipuan kartu kredit dan transaksi mencurigakan
- Industri: pemeliharaan prediktif ketika sensor membaca nilai menyimpang
- Visi komputer: mencari cacat pada permukaan produk
- Keamanan jaringan: mendeteksi intrusi atau akses asing
- Kesehatan: menunjukkan hasil tes yang berbeda dari kasus normal
Keterbatasan
- Batas antara normal dan anomali tidak selalu jelas, sehingga ambang perlu ditetapkan hati-hati
- Anomali sejati biasanya sangat langka, membuat data latih tidak seimbang
- Pola normal dapat berubah seiring waktu, sehingga sistem perlu diperbarui
- Ambang yang salah dapat melewatkan kasus nyata atau terlalu sering memberi alarm, dan terkait dengan overfitting
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
- Deteksi anomali mengidentifikasi titik yang berbeda dari pola normal
- Terdiri dari point, contextual, dan collective anomaly
- Memakai statistik, jarak, dan pembelajaran mesin
- Autoencoder dan k-means membantu mendeteksi anomali
- Diterapkan dalam keuangan, industri, keamanan, dan kesehatan
- Perlu memperhatikan data tidak seimbang dan ambang alarm
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free