Memorable Anomaly Election Learning (MaelNet): Deteksi Anomali Pada Multivariate Time Series Data Menggunakan Arsitektur Dual-Net Transformer

Muhammad, Ismail (2024) Memorable Anomaly Election Learning (MaelNet): Deteksi Anomali Pada Multivariate Time Series Data Menggunakan Arsitektur Dual-Net Transformer. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025201223-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Deteksi anomali pada time series memegang peranan penting dalam menangani permasalahan krusial di dunia nyata. Deteksi anomali bertujuan agar memperlihatkan kejadian yang tidak umum terjadi. Terdapat beberapa tantangan dalam mendeteksi anomali pada time series yaitu adanya ketidakseimbangan antara time step normal dan anomali. Berbagai metode telah dikembangkan untuk mengatasi permasalahan ini salah satunya yaitu Transformer. Transformer memberikan dampak yang cukup signifikan dalam memahami relasi dan asosiasi antar time step yang terdapat di sepanjang data time series. Selain itu, deteksi anomali sendiri kian berkembang salah satunya yaitu association-discrepancy yang mampu membedakan time step anomali dengan normal berdasarkan jarak antar time step-nya. Selain itu terdapat metode dual contrastive learning yang digunakan untuk membedakan time step anomali dan normal dengan cara mempertahankan representasinya. Kedua pendekatan tersebut memiliki kekurangan dan kelebihannya masing-masing sehingga akan lebih baik menggabungkan antara kedua metode yang berbeda tersebut menjadi satu. Pada penelitian tugas akhir ini, untuk mendapatkan kedua kelebihan dari metode berbeda tersebut, maka penulis menerapkan pembelajaran reinforcement learning yang dipadukan dengan arsitektur dual-net yang menerapkan fast learner dan slow learner untuk penggabungan lebih dari satu metode. Model fast learner dan slow learner akan berlatih sendiri untuk mendeteksi data anomalinya sendiri yang kemudian akan dilakukan pembelajaran reinforcement learning untuk dilakukan pemilihan model terbaik berdasarkan time step yang muncul. Pada penelitian ini juga dilakukan eksperimen untuk mengukur seberapa besar performa dari rancangan model yang diberi nama MaelNet agar memperoleh hasil state-of-the-art menggunakan real world dataset untuk multivariate time series anomaly detection.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Anomaly Detection, Dual-Attention, Reinforcement Learning, Time Series, Transformer
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Ismail
Date Deposited:	14 Nov 2024 06:44
Last Modified:	14 Nov 2024 06:44
URI:	http://repository.its.ac.id/id/eprint/110180

Actions (login required)

View Item