Deteksi Anomali Menggunakan Extended Isolation Forest (Eif)

Abstract

Tujuan Utama: Tujuan dari penelitian ini adalah untuk mengembangkan algoritma deteksi anomali yang lebih efektif dan akurat menggunakan Extended Isolation Forest (EIF) dan mengimplementasikannya ke dalam platform sumber terbuka Machine Learning (ML) H2O-3. Background problem: Algoritma Isolation Forest (IF) asli menghadirkan bentuk deteksi baru, meskipun algoritme mengalami bias yang berasal dari percabangan pohon. Perpanjangan algoritme menghilangkan bias dengan menyesuaikan percabangan, dan algoritme asli hanya menjadi kasus khusus. EIF diimplementasikan ke dalam platform sumber terbuka ML H2O-3. kebaharuan: Kebaruan dari penelitian ini adalah penggunaan algoritma EIF dalam deteksi anomali. Selain itu, penelitian ini juga mengimplementasikan EIF ke dalam platform sumber terbuka ML H2O-3 untuk dijalankan pada sistem komputasi terdistribusi dengan pustaka Map/Reduce. Research Method: Penelitian ini menggunakan metode deteksi anomali dengan fokus pada algoritma EIF.  temuan: Hasil pengujian menunjukkan bahwa Extended Isolation Model perlu disesuaikan. Tes kinerja deteksi anomali mengungkapkan sedikit ketidaksempurnaan dalam deteksi struktur data jika dibandingkan dengan satu-satunya implementasi algoritma Python yang tersedia. Hasil ujian untuk tahap evaluasi dinyatakan lulus dan waktu komputasi secara logaritmik lebih kecil dengan jumlah utas.  Kesimpulan: pada penelitian selanjutnya, algoritma dapat ditingkatkan lebih lanjut dengan menskalakan anomali deteksi untuk data dimensi tinggi. Ini dapat diimplementasikan dengan menambahkan parameter lain yang memungkinkan metode pemilihan fitur dalam perhitungan..