ANALISA DAN IMPLEMENTASI<br /> FREQUENT PATTERN OUTLIER FACTOR(FPOF)<br /> UNTUK<br /> OUTLIER DETECTION<br /> ANALYZE AND IMPLEMENTATION FREQUENT<br /> PATTERN OUTLIER FACTOR(FPOF)<br /> FOR<br /> OUTLIER DETECTION

ABSTRAKSI: Secara umum, definisi dari outlier adalah suatu penampakan berbeda yang memungkinkan timbulnya suatu anomaly dalam data. Dalam dunia nyata, outlier detection ini sangat penting untuk berbagai aplikasi dan sangat menarik banyak perhatian pada data mining research community. Permasalahan deteksi outlier ini mempunyai peran yang sangat penting pada aplikasi deteksi kecurangan, analisis kekuatan jaringan dan deteksi intrusi. Pada paper ini, diperkenalkan sebuah metode baru dalam pencarian outlier dengan melakukan pencarian frequent pattern atau frequent itemset dari suatu data set. Outlier didefinisikan sebagai data transakasi yang mempunyai frequent pattern yang kecil pada suatu itemset. untuk menentukan outlier diukur dengan suatu nilai yang disebut FPOF (Frequent Pattern Outlier Factor) menggunakan algoritma FindFPOF. Pada akhirnya, akan dihasilkan outlier yang diinginkan dengan batasan FPOF tertentu. FPOF cukup akurat untuk pencarian outlier pada categorical data, karena FPOF hanya memperhitungkan kemunculan frequent pattern dalam pencarian outlier.Kata Kunci : Frequent Pattern, Association Rule, Outlier Detection, Anomaly Detection, Data Mining.ABSTRACT: Commonly, outlier was defined as an observetion that is considerably dissimiliar with the remainder of the data. In a real world,outlier detection is very important for many application and has recently attracted much attention in the data mining research community. Problem in outlier detection has important part in fraud detection application, network analysis and intrusion detection. In this final task, is presented a new method for outlier detection by discovering frequent pattern or frequent itemset from the data set. The outlier are defined as the data than contain less frequent patterns in their itemsets. For discovering of outlier are measured with a value called FPOF (Frequent Pattern Outlier Factor) by FindFPOF Algorithm. At last, will be discovered an outlier by some value of FPOF. FPOF is accurate for detectimg outlier in categorical data, because FPOF only count number of frequency of frequent pattern in outlier detection.Keyword: Frequent Pattern, Association Rule, Outlier Detection, Anomaly Detection, Data Mining