Perpustakaan Digital ITB

Pada suatu proses analisis data, adanya pencilan dapat mengindikasikan adanya suatu kejadian menarik yang mengakibatkan adanya pencilan tersebut. Oleh karena itu, pendeteksian pencilan menjadi topik yang penting seiring berkembangnya teknologi dalam pengolahan data. Pendeteksian pencilan menjadi masalah yang lebih sulit lagi ketika data yang dikaji merupakan data sekuensial, di mana titik data masuk dan diolah satu per satu. Kadang terdapat masalah di mana pemrosesan seluruh data membutuhkan biaya yang besar atau tidak tersedianya seluruh data dalam pemrosesan. Untuk itu, pendeteksian pencilan secara online, di mana deteksi dilakukan seiring masuknya data, menjadi hal yang penting, contohnya pada pengolahan data sensor. Pada tugas akhir ini, dirancang metode baru untuk pendeteksian pencilan secara online pada data mirip sensor (sensor-like data) berdasarkan residual dari model recursive least squares (RLS) yang dimodifikasi, yaitu RLS dengan Memori (RLSM). Selain itu, dirancang pula algoritma untuk penentuan batas nilai pencilan di mana nilai batas untuk pencilan bersifat adaptif. Metode ini diujikan pada dataset sintetik dan dataset nyata. Performa dari metode ini dibandingkan dengan metode serupa yang telah dikembangkan sebelumnya dengan membandingkan precision, recall, F1-score, dan False Positive Rate (FPR) dari berbagai model tersebut. Hasil eksperimen menunjukkan bahwa model RLSM dengan Nilai Batas Adaptif berhasil menghasilkan hasil yang lebih baik dibanding model-model lainnya untuk anomali tipe spike, noise, dan constant. Model RLSM dengan Nilai Batas Adaptif juga memperoleh hasil yang lebih baik dibanding model-model lainnya pada dataset nyata.