ABSTRAKSI: Data Mining adalah proses pencarian pola-pola dan kecenderungan yang menarik dari dalam basis data berukuran besar. Sebuah outlier didefinisikan sebagai sebuah titik data pada suatu data set dimana sangat berbeda dibandingkan dengan titik data pada data set pada umumnya dengan suatu ukuran tertentu. Outlier ini walaupun mempunyai kelakuan yang abnormal, seringkali mengandung informasi yang sangat berguna.
Fungsi dari deteksi outlier adalah untuk mencari sekelompok kecil objek data yang merupakan pengecualian ketika dibandingkan dengan sejumlah besar data yang lainnya. Deteksi Outlier seperti ini sangat penting untuk banyak aplikasi seperti fraud detection, intrusion detection, dan network monitoring application. Kebanyakan metoda yang ada didesain untuk data numerik. Ini akan mengatasi masalah yang ada pada aplikasi di dunia nyata yang mengandung data kategoris.
Metoda LSA dapat mendeteksi outlier dengan menggunakan local-search heuristik dan rumus entropy untuk perhitungannya.
Kata Kunci : data mining, outlier, deteksi outlier, LSA, entropyABSTRACT: Data mining is interesting patterns and trend finding process in large database. Outlier defined as a data point in database where is different than data point from common database with fixed size. Even outlier have an abnormal behaviour, often contain important information.
The task of outlier detection is to find small groups of data objects that are exceptional when compared with rest large amount of data. Detection of such outliers is important for many applications such as fraud detection, intrusion detection, and network monitoring application. Most existing methods are designed for numeric data. They will encounter problems with real-life applications that contain categorical data.
LSA method detects outlier, with a local-search heuristic based algorithm and entropy formulation for the calculation.
Keyword: data mining, outlier, outlier detection, LSA, entropy