2.9
Deteksi Anomali
Ringkasan
- Bab ini membahas metode reduksi dimensi untuk merangkum data berdimensi tinggi tanpa kehilangan struktur penting.
- Anda akan membandingkan metode linear (PCA, SVD, LDA) dan nonlinier (t-SNE, Isomap, Kernel PCA).
- Setelah bab ini, Anda dapat memilih teknik untuk visualisasi, denoising, dan praproses model lanjutan.
Intuisi #
Reduksi dimensi berarti menjaga geometri yang relevan untuk tujuan analisis: varian global, pemisahan kelas, atau kedekatan lokal.
Penjelasan Rinci #
Cakupan Bab Ini #
- deteksi anomali deret waktu dengan pendekatan statistik dan threshold
- perilaku detektor pada musiman, tren, dan perubahan mendadak
- pola implementasi untuk deteksi, visualisasi, dan validasi
Kemampuan Setelah Mempelajari Bab Ini #
- memilih detektor sesuai karakter data dan kebutuhan operasional
- menafsirkan false positive/false negative dengan diagnosis berbasis metrik
- menyusun alur deteksi anomali yang reproducible dari preprocessing hingga evaluasi