Analisis dan Implementasi<br /> Metode Local Outlier Factor<br /> Untuk Mendeteksi Anomali Data<br /> Analisys and Implementation<br /> Local Outlier Factor Method<br /> For Data Anomaly Detection
ANDI MULYADI

Informasi Umum

Kode

113020107

Klasifikasi

000 - Generalistics

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Other

Dilihat

545 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Clustering merupakan salah satu teknik data mining untuk mengelompokan datadata<br /> tak berlabel atau unsupervised, dimana data-data tersebut memiliki kemiripan<br /> karakteristik dengan data lain pada klaster yang sama dan berbeda dengan datadata<br /> pada klaster lain. Data yang memiliki perbedaan yang besar dengan data lain<br /> dapat dikatakan suatu outlier. Tugas akhir ini difokuskan pada analisis metode<br /> Density-based Outlier Detection yaitu Local Outlier Factor untuk mencari suatu<br /> outlier pada kumpulan data. Density-based Outlier Detection merupakan sebuah<br /> metode pendeteksian outlier yang menggunakan prinsip klaster kerapatan data.<br /> Salah satu cara mendeteksi outlier adalah dengan menggunakan metode Local<br /> Outlier Factor (LOF), yaitu metoda menghitung k-distance, k-distance<br /> neighborhood, reachability distance dari suatu titik, dan local reachability density<br /> sehingga dihasilkan nilai LOF yang kemudian akan diurutkan nilainya. LOF akan<br /> menghasilkan nilai outlier tiap data yang menentukan apakah data tersebut<br /> anomali atau tidak. Dikatakan lokal karena tergantung bagaimana objek tersebut<br /> terpisah di antara objek-objek yang mengelilinginya. Suatu data p dikatakan<br /> bukan local outlier jika nilai LOF(p) mendekati 1. Jika suatu data memiliki nilai<br /> LOF terbesar, maka dapat dikategorikan sebagai outlier. LOF dari suatu data<br /> tergantung MinPts, yaitu jumlah nearest neighbors yang digunakan untuk<br /> mendefinisikan local neighborhood dari suatu objek.Kata Kunci : density-based outlier detection, local outlier factorABSTRACT: Clustering is one of data mining tech for grouping unlabeled dataset where the<br /> dataset has a similarity characteristics with the other in the same cluster and has<br /> a dissimilarity with other data in the another cluster. Data who has a big<br /> dissimilarity with other data called an outlier. This final task is focus to analisys<br /> Density-based Outlier Detection method, called Local Outlier Factor, to find an<br /> outlier in the dataset. One of outlier detection method is finding data density can<br /> be produce with Local Outlier Factor method that will count k-distance, kdistance<br /> neighborhood, reachability distance object, and local reachability<br /> density so that can produce LOF value that we can sort it. LOF will produce a<br /> degree of outlier for each object so that will decide whether the object is outlier or<br /> not. Local means it depend on how the object isolated from the surrounding<br /> neighborhood. If LOF value approaching 1, the data cannot be called local<br /> outlier. If the data has highest value of LOF, then we may call it an outlier. LOF<br /> of data depend on MinPts, that is a sum of nearest neighbors that used to define<br /> local neighborhood of an object.Keyword: density-based outlier detection, local outlier factor

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook