Penerapan Deteksi Outlier (IQR dan Isolation Forest) pada data data sensor perangkat IoT

Info proyek

• Bidang studiInformatika dan Sistem Informasi
• JenjangDisertasi (S3)
• Jenis metodeKualitas Data
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatpandas quantile; scikit-learn IsolationForest
• HargaRp 550.000 - Rp 3.450.000

Tujuan analisis

Memeriksa dan memperbaiki mutu data suhu sensor bersama kelembapan sensor dan tegangan baterai dengan Deteksi Outlier (IQR dan Isolation Forest), lalu menilai dampaknya pada analisis.

Variabel

Contoh hasil

• 230Observations
• 18IQR outliers
• 12Isolation Forest outliers
• 0.25Method agreement (Jaccard)
• 0.667IQR precision
• 0.5IF recall

Dari 230 observasi, aturan IQR menandai 18 dan Isolation Forest 12 pencilan Suhu sensor; kesesuaian kedua metode (Jaccard) 0.250.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Deteksi Outlier (IQR dan Isolation Forest)

Deteksi outlier dengan aturan IQR menandai nilai di luar pagar kuartil, sedangkan Isolation Forest mengisolasi titik anomali pada data multivariat. Dipakai untuk menemukan data ekstrem sebelum analisis lanjutan dan menentukan perlakuannya.

Langkah pengerjaan

1. 1Visualisasikan sebaran dengan boxplot dan histogram
2. 2Hitung Q1, Q3, IQR, dan pagar (Q1 - 1,5 IQR; Q3 + 1,5 IQR)
3. 3Tandai outlier univariat
4. 4Jalankan IsolationForest untuk outlier multivariat
5. 5Telaah penyebab tiap outlier (kesalahan input atau nilai nyata)
6. 6Putuskan perlakuan: pertahankan, koreksi, atau keluarkan

Asumsi yang perlu diperiksa

• Aturan IQR cocok untuk sebaran yang tidak terlalu miring
• Parameter contamination pada Isolation Forest adalah perkiraan, bukan fakta
• Outlier belum tentu kesalahan sehingga perlu penelaahan substantif

Membaca dan melaporkan hasil

Laporkan jumlah dan persentase outlier tiap metode beserta alasan perlakuan yang dipilih. Tunjukkan bahwa hasil analisis dibandingkan dengan dan tanpa outlier bila berpengaruh.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import IsolationForest

rng = np.random.default_rng(36)
n = 300
sensor_humidity = rng.normal(50, 5, n)
battery_voltage = 0.8 * sensor_humidity + rng.normal(0, 3, n)
sensor_humidity[:5] += 30                      # inject univariate outliers
battery_voltage[5:8] -= 25                     # inject multivariate outliers
sensor_temperature = np.column_stack([sensor_humidity, battery_voltage])

q1, q3 = np.percentile(sensor_humidity, [25, 75])
iqr = q3 - q1
lo, hi = q1 - 1.5 * iqr, q3 + 1.5 * iqr
mask_iqr = (sensor_humidity < lo) | (sensor_humidity > hi)
print("IQR fences:", round(lo, 2), round(hi, 2), "outliers:", int(mask_iqr.sum()))

iso = IsolationForest(contamination=0.03, random_state=36).fit(sensor_temperature)
mask_if = iso.predict(sensor_temperature) == -1
print("Isolation Forest outliers:", int(mask_if.sum()))

fig, ax = plt.subplots(1, 2, figsize=(10, 4))
ax[0].boxplot(sensor_humidity, vert=False); ax[0].set_title("x1 boxplot")
ax[1].scatter(sensor_humidity[~mask_if], battery_voltage[~mask_if], s=10, label="Normal")
ax[1].scatter(sensor_humidity[mask_if], battery_voltage[mask_if], c="r", s=25, label="Outlier")
ax[1].legend()
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum