IMPLEMENTASI ANOMALY DETECTION DENGAN ALGORITMA LOADED (LINK-BASED OUTLIER AND ANOMALY DETECTION IN EVOLVING DATASETS)

CHRISTIAN GPT

Informasi Umum

Kode

113060190

Klasifikasi

005.1 - Computer programming

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Rekayasa Perangkat Lunak

Dilihat

379 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Selain klasifikasi, klastering, dan analisis asosiasi, cabang ilmu data mining lain yang cukup penting adalah anomaly detection. Anomaly detection adalah suatu teknik pencarian objek data yang ada dalam ruang lingkup yang kecil dan perbedaan dengan representasi data lainnya cukup mencolok dengan ukuran tertentu. Ada banyak metode ataupun pendekatan anomaly detection yang telah diketahui namun metode-metode tersebut tidak dapat diterapkan pada data dinamik yang memiliki atribut kontinu dan kategorial sekaligus. Padahal hampir semua data yang ada di dunia ini merupakan gabungan dari data beratribut kontinu dan kategorial. Algoritma LOADED (Link-based Outlier and Anomaly Detection in Evolving Data-sets) mampu menyelesaikan permasalahan tersebut dengan menangani data yang memiliki gabungan tipe atribut numerik dan kategorial dengan performansi yang cukup baik. Selain itu, algoritma ini dapat menangani perubahan data berupa perubahan jumlah atribut, record, ataupun isi dari data dalam satu skema yang sama. <br>Kata Kunci : Anomaly detection, outlier, LOADED, atributABSTRACT: Besides classification, clustering, and assosiation rule, another data mining paradigm is anomaly or outlier detection. Anomaly detection is a searching method for an object that exist within small data scope and has some differences with other datas representation in a certain size. As we know, there are so many methods or approaches for anomaly detection, but these methods can not be applied for data that consist of continuous and categorical attributes as well. Whereas, almost all of the real data in the world were made by a combination between continuous and categorical data attributes. LOADED (Link-based Outlier and Anomaly Detection in Evolving Data-sets) algorithm is created to resolve the problem by dealing with the type of data attributes that combined with continuous and categorical attributes. In addition, this algorithm can also dealing with any changes or updates into the data form by the number of data attribute, records, or data contents with the same scheme. <br>Keyword: Anomaly detection, outlier, LOADED, attribute