Deteksi anomali

Dalam analisis data, deteksi anomali (juga disebut deteksi outlier dan terkadang deteksi kebaruan) secara umum dipahami sebagai identifikasi item, peristiwa, atau observasi langka yang menyimpang secara signifikan dari mayoritas data dan tidak sesuai dengan gagasan perilaku normal yang terdefinisi dengan baik.^[1] Proses pencarian data anomali dilakukan dengan mengidentifikasi adanya prilaku data yang tidak normal dan sangat berbeda dibandingkan biasanya. Teknik ini digunakan untuk membantu mengidentifikasi aktifitas mencurigakan yang dihasilkan oleh mekanisme yang berbeda, seperti penipuan, masalah operasional, serangan dunia maya. ^[2] atau tampak tidak konsisten dengan sisa kumpulan data tersebut.^[3]

Deteksi anomali dapat diterapkan di banyak domain, termasuk keamanan siber, kedokteran, visi mesin, statistika, ilmu saraf, penegakan hukum, dan penipuan keuangan, dan masih banyak lagi. Anomali awalnya dicari untuk mendeteksi penolakan atau penghilangan yang jelas dari data guna membantu analisis statistik, misalnya untuk menghitung rata-rata atau deviasi standar. Anomali juga dihilangkan untuk prediksi yang lebih baik dari model seperti regresi linier, dan baru-baru ini, penghapusannya membantu kinerja algoritma pembelajaran mesin. Namun, dalam banyak aplikasi, anomali itu sendiri menarik dan merupakan observasi yang paling diinginkan di seluruh set data, yang perlu diidentifikasi dan dipisahkan dari noise atau outlier yang tidak relevan.

Terdapat tiga kategori luas teknik deteksi anomali.^[1] Teknik deteksi anomali tersupervisi memerlukan kumpulan data yang telah diberi label "normal" dan "abnormal" dan melibatkan pelatihan pengklasifikasi. Namun, pendekatan ini jarang digunakan dalam deteksi anomali karena data berlabel umumnya tidak tersedia dan sifat kelas yang tidak seimbang. Teknik deteksi anomali semi-supervisi mengasumsikan bahwa sebagian data diberi label. Ini dapat berupa kombinasi data normal atau anomali, tetapi lebih sering, teknik ini membangun model yang merepresentasikan perilaku normal dari kumpulan data pelatihan normal yang diberikan, lalu menguji kemungkinan instans uji yang akan dihasilkan oleh model tersebut. Teknik deteksi anomali tak tersupervisi mengasumsikan data tidak berlabel dan sejauh ini merupakan yang paling umum digunakan karena penerapannya yang lebih luas dan relevan.

Metode

Banyak metode yang dapat diterapkan untuk mendeteksi anomali pada data, kinerjanya biasanya tergantung pada kupulan data yang ada. Beberapa metode mungkin cocok untuk mendeteksi anomali lokal, namun kurang cocok untuk mendeteksi anomali global. Setiap metode memiliki keunggulan sistematis dibandingkan metode yang lainnya.^[4] Diperlukan pengaturan parameter non-intuitif yang kritis untuk kinerja, yang terkadang tidak diketahui sebelum diterapkan.

Beberapa metode deteksi anomali yang dapat dilakukan, antara lain:

1. Metode statistik. Metode statistik deskriptif untuk menentukan apakah sebuah penemuan merupakan anomali, berdasarkan pada ukuran jarak, deviasi standar maupun distribusi.
2. Density Based Method. Menggunakan metrik kerapatan data seperti jarak dan kerapatan kernel untuk mengidentifikasi area yang berjarak dalam ruang fitur.
3. Clustering Method. Mengelompokkan data untuk diidentifikasi sebagai anomali, pada data yang berada di luar kelompok.
4. Classification Method. Mengklasifikasikan data untuk membedakan data normal dengan data anomali.
5. Proximity-Based Methods. Mengukur kedekatan atau kemiripan dan mengidentifikasi data yang memiliki jarak maupun kemiripan rendah dalam dataset sebagai anomali.
6. Deep Learning Approaches. Menangkap pola yang rumit menggunakan arsitektur jaringan saraf yang kompleks, pada data. Serta mengidentifikasi anomali berdasarkan perbedaan yang signifikan dali pola umum.
7. Ensemble Methods. Penggabungan beberapa model deteksi anomali untuk meningkatkan keakuratan dan ketahanan terhadap noise.
8. Time Series Analysis . Melakukan analisis waktu, pada data deret untuk mendeteksi adanya perubahan pada pola waktu.
9. Isolation Forest. Mengisolasi anomali dengan algoritma, membagi ruang fitur secara acak dan mengukur jumlah partisi yang diperlukan untuk mengisolasi observasi. ^[5]

Deteksi Anomali pada Jaringan Dinamis

Deteksi anomali dalam jaringan dinamis seperti jaringan yang mewakili sistem keuangan, interaksi media sosial, dan infrastruktur transportasi yang selalu mengalami perubahan. Sehingga deteksi anomali di dalamnya menjadi tugas yang rumit. Berbeda dengan grafik statis, jaringan dinamis mencerminkan hubungan dan keadaan yang berkembang, sehingga memerlukan teknik adaptif untuk mendeteksi anomali. Jenis anomali dalam jaringan dinamis antara lain : anomali komunitas, anomali kompresi, anomali dekomposisi, anomali jarak, anomali model probabilistik.^[4]

Lihat pula

• Deteksi perubahan
• Kontrol proses statistik
• Deteksi kebaruan
• Memori temporal hierarkis

Referensi

1. 1 2 Chandola, V.; Banerjee, A.; Kumar, V. (2009). "Anomaly detection: A survey". ACM Computing Surveys. 41 (3): 1–58. doi:10.1145/1541880.1541882.
2. ↑ Hawkins, Douglas M. (1980). Identification of Outliers. Springer. ISBN 978-0-412-21900-9. OCLC 6912274.
3. ↑ Barnett, Vic; Lewis, Lewis (1978). Outliers in statistical data. Wiley. ISBN 978-0-471-99599-9. OCLC 1150938591.
4. 1 2 "Anomaly detection". Wikipedia (dalam bahasa Inggris). 2025-11-09.
5. ↑ Wororomi, Jonathan Kiwasi; et al. (dkk) (Juli 2024). Data Mining (Memahami Pola di Balik Angka). Purbalingga: Eureka Media Aksara. Pemeliharaan CS1: Status URL (link)

Pranala luar