Publisher

NINETYJOURNALNINETYJOURNAL

Journal Jurnal Kecerdasan Buatan dan Teknologi InformasiJurnal Kecerdasan Buatan dan Teknologi Informasi Abstract

Deteksi anomali telah menjadi aspek penting dalam pembelajaran mesin modern, terutama dalam skenario di mana data berlabel langka atau tidak tersedia. Penelitian ini menyajikan analisis komparatif antara dua algoritma unsupervised yang banyak digunakan: One-Class Support Vector Machine (OCSVM) dan Isolation Forest. Dengan menggunakan dataset MNIST sebagai tolok ukur, evaluasi berfokus pada distribusi skor, waktu pelatihan, presisi yang diukur dengan ROC-AUC, dan sensitivitas terhadap variasi data. Hasilnya menunjukkan perbedaan trade-off yang jelas antara kedua pendekatan. OCSVM menghasilkan distribusi skor yang terpusat (0,4–0,5) dan mencapai kinerja klasifikasi yang lebih baik dengan ROC-AUC sebesar 0,92, yang secara statistik signifikan (p < 0,05 berdasarkan uji DeLong). Ini menunjukkan bahwa OCSVM sangat efektif dalam mengidentifikasi deviasi struktural, menjadikannya cocok untuk aplikasi yang memerlukan validasi data yang ketat dan keandalan, seperti deteksi penipuan dan kontrol kualitas kritis. Namun, akurasi yang lebih tinggi ini datang dengan biaya efisiensi komputasi, karena OCSVM memerlukan waktu pelatihan sekitar 120 detik. Sebaliknya, Isolation Forest menghasilkan distribusi skor yang lebih menyebar (0,3–0,7) dan presisi sedikit lebih rendah (ROC-AUC 0,85), tetapi secara signifikan mengurangi waktu pelatihan menjadi hanya 60 detik. Selain itu, sensitivitasnya yang tinggi terhadap variasi kecil menyoroti keuntungannya dalam deteksi anomali waktu nyata dan dataset berskala besar di mana kecepatan dan adaptabilitas sangat penting. Secara keseluruhan, temuan ini menekankan bahwa OCSVM unggul dalam aplikasi berorientasi presisi, sementara Isolation Forest lebih menguntungkan untuk skenario yang membutuhkan skalabilitas dan efisiensi komputasi. Wawasan ini memberikan panduan praktis untuk memilih metode deteksi anomali yang sesuai tergantung pada persyaratan aplikasi.

Conclusion

Penelitian ini memberikan perbandingan komprehensif antara One-Class SVM (OCSVM) dan Isolation Forest (IF) untuk deteksi anomali pada dataset MNIST.Hasil menunjukkan bahwa OCSVM menetapkan batasan deteksi yang lebih ketat, dengan skor terpusat antara 0,4–0,5, memungkinkan model untuk menangkap distorsi struktural parah dan anomali yang dipicu oleh noise dengan presisi tinggi (ROC-AUC = 0,92).Ini menjadikan OCSVM sangat cocok untuk tugas validasi data kritis di mana keandalan sangat penting, seperti pemeriksaan kualitas sebelum pelatihan dalam pipeline pembelajaran mendalam.Sebaliknya, IF menghasilkan distribusi skor yang lebih luas (0,3–0,7) dan lebih sensitif terhadap variasi kecil dan ketidaksesuaian stilistis dalam tulisan tangan.Meskipun presisinya lebih rendah (ROC-AUC = 0,85), IF memerlukan waktu pelatihan yang secara signifikan lebih singkat (60 detik dibandingkan dengan 120 detik untuk OCSVM), menyoroti keuntungannya dalam efisiensi komputasi.Temuan ini menunjukkan bahwa OCSVM lebih disukai dalam aplikasi yang membutuhkan akurasi dan ketahanan terhadap deviasi struktural, sedangkan IF lebih baik untuk deteksi anomali skala besar atau waktu nyata di mana efisiensi dan skalabilitas diprioritaskan.

Future Research

Berdasarkan penelitian ini, ada beberapa arah studi yang dapat dilakukan di masa depan. Pertama, bagaimana jika penelitian ini diperluas dengan mencoba algoritma deteksi anomali lainnya, seperti autoencoder atau GAN, untuk melihat bagaimana mereka dibandingkan dengan OCSVM dan Isolation Forest dalam konteks yang sama? Kedua, kami merekomendasikan untuk mengeksplorasi penerapan teknik ini pada dataset lain yang lebih kompleks, misalnya dalam konteks citra medis atau data sensor untuk menguji keefektifan algoritma dalam berbagai domain. Terakhir, penelitian lebih lanjut dapat dilakukan untuk mengoptimalkan parameter dan pengaturan model yang digunakan, termasuk pengujian berbagai parameter kernel dalam OCSVM, untuk memaksimalkan akurasi di dataset yang berbeda. Melalui pendekatan ini, penelitian di bidang deteksi anomali dapat lebih lanjut ditingkatkan dan memberikan kontribusi lebih besar pada tren teknologi yang berkembang.

References

1. ANOMALY DETECTION IN MNIST DATASET USING ONE-CLASS SVM | Jurnal Kecerdasan Buatan dan Teknologi Informasi.... ojs.ninetyjournal.com/index.php/JKBTI/article/view/324ANOMALY DETECTION IN MNIST DATASET USING ONE CLASS SVM Jurnal Kecerdasan Buatan dan Teknologi Informasi ojs ninetyjournal index php JKBTI article view 324

Metadata

File size	481.38 KB
Pages	7
DMCA	ReportReport