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