Deteksi Outlier Menggunakan Metode LOcal Correlation Integral

ABSTRAKSI: Deteksi outlier adalah suatu teknik untuk mencari obyek yang mempunyai perilaku yang berbeda dari obyek obyek yang lain. Beberapa metode yang dapat digunakan untuk pendeteksian outlier adalah Clustering-based, Distance-based, Association Rule-base dan Density-based. Pada Tugas Akhir ini metode yang digunakan adalah LOcal Correlation Integral yang termasuk kedalam Density-based. Keunggulan metode LOCI ini adalah memiliki data-dictated cut-off secara otomatis dan juga memiliki suatu linear approximate method, aLOCI (approximate LOCI) yang dapat mendeteksi outlier secara lebih cepat dengan tidak mengabaikan akurasinya. Untuk menguji performansi metode ini dilakukan pengujian dengan menggunakan parameter akurasi dan waktu deteksi. Untuk pengukuran akurasi dipergunakan Recall dan Precision yang selanjutnya untuk mengkombinasikannya digunakan fungsi f-Measure. Dari hasil analisis yang diperoleh sistem dapat disimpulkan bahwa, dari segi akurasi metode LOCI lebih baik daripada metode aLOCI, sedangkan dari segi waktu deteksi metode aLOCI lebih baik dibandingkan metode LOCI, dan waktu deteksi metode LOCI lebih dipengaruhi oleh penambahan jumlah data, sedangkan waktu deteksi metode aLOCI lebih dipengaruhi oleh penambahan dimensi data.Kata Kunci : Data Mining, Outlier, Correlation Integral, Box Counting.ABSTRACT: Outlier detection is a technic to search Objects which have different carateristic from other object. Some methods that can use to detect outlier are Clustering-based, Distance-based, Association Rule-base and Density-based. In this Final Task will use Local Correlation Integral method which is part of the Density-based method. The advantages of this method are it can give an automatic data-dictated cut-off, and this LOCI method also have a linear approximate method aLOCI (approximate LOCI) that can detect outlier more faster without ignore the accuracy. To test the performance of this method the testing is using accuracy parameter and detection time parameter. For accuracy, it will use Recall and Precision and to combine it will use f-measure function. From the result that the system gave, the conclusion are that in accuracy LOCI method is more accurate than aLOCI, but in detection time, aLOCI method is more faster than LOCI. And also in LOCI the detection time is more affected by the grow of Instances and in aLOCI the detection time is more affected by the grow of Attributes.Keyword: Data Mining, Outlier, Correlation Integral, Box Counting