Implementasi Metode Ensemble Learning dalam  Arsitektur Autoencoder untuk Deteksi Anomali pada  Data Operasional Pipa Gas Alam  - Dalam bentuk buku karya ilmiah

MUHAMMAD RIVADITYA AZZAKA

Informasi Umum

Kode

25.04.1107

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Dilihat

142 kali

Informasi Lainnya

Abstraksi

Pemantauan pipeline memainkan peran penting dalam memastikan keamanan dan efisiensi sistem transportasi gas alam. Anomali yang tidak terdeteksi dapat mengakibatkan konsekuensi lingkungan dan finansial yang serius, sehingga diperlukan sistem pemantauan yang andal. Penelitian ini menerapkan pendekatan Ensemble of Autoencoders (EoAE) untuk mendeteksi anomali dalam data operasional pipeline gas alam dengan mengintegrasikan tiga arsitektur autoencoder yang saling melengkapi. Arsitektur tersebut mencakup Standard Autoencoder (AE) untuk pengenalan pola dasar, Sparse Autoencoder (SAE) untuk ekstraksi fitur yang selektif, dan Denoising Autoencoder (DAE) untuk analisis yang tahan terhadap noise. Implementasi ini menggunakan dataset unlabeled yang mencakup periode dua tahun dengan 61.313 rekaman per jam, terdiri dari 17 fitur yang dikategorikan ke dalam parameter operasional dan parameter komposisi gas. Mekanisme averaging digunakan untuk mengombinasikan reconstruction errors dari ketiga autoencoder, sehingga menghasilkan threshold yang seimbang untuk deteksi anomali. Hasil penelitian menunjukkan bahwa Ensemble of Autoencoders (EoAE) berhasil mengidentifikasi 41 anomali (0,338% dari data uji) dengan Mean Squared Error (MSE) sebesar 0.581, yang menunjukkan peningkatan keandalan dibandingkan model individu yang mendeteksi antara 39 hingga 143 anomali pada threshold yang bervariasi. Analisis lebih lanjut mengungkap pola propagasi anomali di berbagai parameter operasional dan komposisi gas, yang menunjukkan kemampuan sistem dalam mengidentifikasi perubahan perilaku kompleks dalam operasi pipeline. Hasil eksperimen memvalidasi efektivitas pendekatan ensemble dalam mencapai deteksi anomali yang seimbang melalui integrasi model yang saling melengkapi. Penelitian ini berkontribusi dalam pengembangan metodologi pemantauan pipeline dengan memanfaatkan keunggulan berbagai arsitektur autoencoder untuk deteksi anomali yang lebih andal.