Deteksi Anomali menggunakan Control Flow Patterns dan Fuzzy Regression di Terminal Peti Kemas

Rahmawati, Dewi (2018) Deteksi Anomali menggunakan Control Flow Patterns dan Fuzzy Regression di Terminal Peti Kemas. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
05111650010062-Master_Theses.pdf - Published Version
Restricted to Repository staff only

Download (2MB) | Request a copy

Abstract

Kasus kriminal pada terminal peti kemas di Indonesia dapat disebabkan oleh banyak faktor salah satunya adalah anomali dalam model proses. Menanggapi permasalahan ini, penelitian ini mengusulkan metode pendeteksian anomali pada penanganan kontainer pelabuhan untuk mengurangi kerugian dan kewaspadaan terhadap kasus yang terdeteksi anomali. Paramater atau atribut yang digunakan untuk menganalisis anomali adalah Analisis Salah Urutan (Wrong Pattern Analysis) dengan metode baru yakni menggunakan metode Control Flow Pattern yang akan dianalisis dengan menggunakan Isomorphism Graph dan Analisis Urutan Proses Lurus (Skip Sequence), Analisis Waktu Operasi Maksimal (Wrong Throughput Time Max), Analisis Waktu Operasi Minimal (Wrong Throughput Time Min) dan Analisis Salah Keputusan (Wrong Decision). Sehingga total atribut yang dijadikan faktor penyebab terjadinya anomali dalam tesis ini sejumlah 5 atribut. Dalam penelitian ini, event log diperoleh dari database PT.Terminal Peti Kemas Surabaya kemudian penyeleksian event log yang dibutuhkan, setelah proses seleksi terjadi, maka event log yang tersaring berdasarkan 3 faktor adalah noise log, incompleteness log dan truncated logs. Hasil log yang difilter digunakan untuk mendeteksi anomali. Kemudian membentuk Control Flow Patterns berupa Anomaly Patterns yang digunakan untuk membentuk suatu proses model yang dapat digunakan untuk mendeteksi pola yang salah dengan menggunakan Isomorphisms Graph. Pendeteksian anomali dilakukan secara otomatis dengan menggunakan program dan hasil deteksi anomali akan dianalisis dengan menggunakan 2 metode yaitu metode Fuzzy Regression dan Multiple Linear Regression dimana keduanya akan dibandingkan yang mana algoritma terbaik untuk mendeteksi anomali. Multiple Linear Regression adalah algoritma untuk mengetahui tingkat prediksi anomali dari semua nilai atribut anomali sehingga nilainya continuous (0.1,0,2, .., Xn). Fuzzy Regression adalah teknik baru untuk mengetahui tingkat prediksi kecurangan yang lebih akurat daripada regresi linier berganda, metodenya adalah mengklasifikasikan kasus mana yang memiliki anomali rendah, anomali sedang dan anomali tinggi kemudian menemukan tingkat prediksi anomali dari semua nilai atribut anomali yang nilainya discrete (Rendah, Sedang dan Tinggi). Hasil penelitian menunjukkan bahwa Fuzzy Regression lebih tepat untuk mendeteksi anomali daripada Multiple Linear Regression. Terbukti dengan sensitivitas dan spesifisitas Fuzzy Regression untuk anomali yang tinggi adalah 78% dan 99%, sensitivitas dan spesifisitas Fuzzy Regression untuk anomali medium adalah 85% dan 99%, sensitivitas dan spesifisitas Fuzzy Regression untuk anomali rendah adalah 88% dan 99% dan sensitivitas dan spesifisitas Fuzzy Regression untuk tidak anomali adalah 99% dan 86%. =============== A criminal case on port container handling in Indonesia can be caused by many factors. One of them is an anomaly in the process model. Responding to the issue this research proposes a method to detection anomaly on port container handling for decrease the loss of port container handling and to be wary on a case that detected an anomaly. In order to be able to detect anomalies on the PT. Terminal Container Surabaya is based on the 5 Attributes are Skip Sequence, Wrong Throughput Time Max, Wrong Throughput Time Min, Wrong Decision and Wrong Pattern Analysis. In this research, event logs are obtained from the database PT. Terminal Container Surabaya through the process of selecting the required event log, after the selection process occurs, then the process of filtering event log based on 3 factors are noise logs, incompleteness logs, and truncated logs. The result of the filtered log is used to detect anomalies. Then build a Control Flow Patterns for form a model process that can be used for a detected the wrong pattern using isomorphism graphs called anomaly patterns. Anomaly detection is done automatically by using the program and the results of the anomaly detection will be analyzed by using two methods are Fuzzy Regression method and Multiple Linear Regression where the two will be compared which is the best algorithm to detect an anomaly. Multiple linear regression is an algorithm to find predicts the rate of the anomaly from the all of anomaly attribute value that the value is continuous (0.1, 0.2,… Xn). Fuzzy regression is the new technique to find the predicts rate of fraud that more accurately than multiple linear regression, the step are first classified which case having no anomaly, low anomaly, medium anomaly and high anomaly then find the predicts rate of anomaly from the all of anomaly attribute value that the value is discrete (No Anomaly, Low Anomaly, Medium Anomaly and High Anomaly). The result shows that fuzzy regression is more appropriate for detecting anomaly than multiple linear regression. Proved by the result of sensitivity and specificity are 78% and 99% for the high anomaly, 85% and 99% for the medium anomaly, 88% and 99% for low anomaly and 99% and 86% for no anomaly.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Anomali; Fraud; Anomaly Patterns; Event Logs; Control Flow Patterns; Fuzzy Regression; Multiple Linear Regression.
Subjects: H Social Sciences > HA Statistics
H Social Sciences > HB Economic Theory > Economic forecasting--Mathematical models.
H Social Sciences > HG Finance > HG4529 Investment analysis
Q Science > QA Mathematics > QA278.2 Regression Analysis
T Technology > T Technology (General) > T56.8 Project Management
T Technology > T Technology (General) > T58.62 Decision support systems
Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Divisions: Faculty of Information Technology > Informatics Engineering > (S2) Master Theses
Depositing User: Dewi Rahmawati
Date Deposited: 14 Mar 2018 05:28
Last Modified: 14 Mar 2018 05:28
URI: http://repository.its.ac.id/id/eprint/50074

Actions (login required)

View Item View Item