Anomaly Detection

Deteksi Anomali (Anomaly Detection) adalah teknik analisis data yang berfokus pada penemuan titik data, peristiwa, atau pengamatan yang menyimpang secara signifikan dari mayoritas kumpulan data normal lainnya. Penyimpangan ini sering kali mengindikasikan masalah serius seperti penipuan bank, kegagalan sistem, atau ancaman siber.

Bagaimana Jaringan Cerdas Mendeteksi Anomali?

Model Machine Learning mendeteksi anomali dengan mempelajari karakteristik mayoritas data normal terlebih dahulu (misalnya mempelajari kebiasaan transaksi belanja harian Anda yang berkisar di bawah 1 juta rupiah di kota tempat tinggal Anda). Ketika muncul transaksi mendadak bernilai puluhan juta rupiah dari luar negeri, model menandainya sebagai anomali karena melompati batas normal yang biasa direkam.

Metode Pembelajaran untuk Deteksi Anomali

Teknik ini bisa dilakukan melalui tiga pendekatan utama:

• Supervised Anomaly Detection: Melatih model klasifikasi biner menggunakan data berlabel yang sudah memiliki tanda "normal" atau "anomali".
• Unsupervised Anomaly Detection: Melatih model murni pada data tanpa label sama sekali untuk memisahkan pencilan berdasarkan kerapatan jarak data (seperti algoritma Isolation Forest atau DBSCAN).
• Semi-Supervised Anomaly Detection: Melatih model hanya pada data normal murni. Model belajar mengenali pola normal secara sempurna, lalu menandai segala hal baru yang asing sebagai anomali (seperti metode One-Class SVM).