Perbandingan Kinerja Isolation Forest dan AutoEncoder untuk Deteksi Anomali Cuaca

Authors

  • Yulia Fatmi Program Studi Informatika, Departemen Teknik Eloktronika, Fakultas Tenik, Universitas Negeri Padang
  • Yuyun Yusnida Lase Program Studi Teknologi Rekayasa Perangkat Lunak, Departemen Teknik Komputer dan Informatika, Politeknik Negeri Medan
  • Khairil Hamdi Sistem Informasi, STMIK Jaya Nusa Padang

DOI:

https://doi.org/10.70038/jentik.v3i3.196

Keywords:

Deteksi anomali cuaca, Isolation Forest, AutoEncoder, multivariat

Abstract

Deteksi anomali cuaca berperan penting dalam mendukung sistem pemantauan dan peringatan dini cuaca, terutama pada data cuaca multivariat yang bersifat kompleks dan nonlinier. Penelitian ini bertujuan membandingkan kinerja algoritma Isolation Forest dan AutoEncoder dalam mendeteksi anomali cuaca. Metode penelitian menggunakan pendekatan eksperimen dengan tahapan prapemrosesan data, pemodelan deteksi anomali, serta evaluasi kinerja menggunakan metrik statistik dan analisis kurva ROC serta distribusi skor anomali. Hasil penelitian menunjukkan bahwa kedua metode memiliki performa yang baik dalam mendeteksi anomali cuaca. Isolation Forest unggul dalam efisiensi komputasi dan kestabilan model, sedangkan AutoEncoder menunjukkan sensitivitas yang lebih tinggi terhadap anomali cuaca yang bersifat kompleks, ditunjukkan oleh nilai AUC yang lebih tinggi dan pemisahan skor anomali yang lebih jelas. Pemilihan metode deteksi anomali cuaca perlu disesuaikan dengan kebutuhan sistem pemantauan dan analisis risiko cuaca.

References

T. Hastie, R. Tibshirani, & J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed., Springer, New York, 2009.

F. T. Liu, K. M. Ting, & Z.-H. Zhou, “Isolation Forest,” Proceedings of the 2008 IEEE International Conference on Data Mining, pp. 413–422, 2008.

I. Goodfellow, Y. Bengio, & A. Courville, Deep Learning, MIT Press, Cambridge, MA, 2016.

C. C. Aggarwal, Outlier Analysis, 2nd ed., Springer, Cham, pp. 45–78, 2017.

S. Chalapathy & S. Chawla, “Deep Learning for Anomaly Detection: A Survey,” Proceedings of the 2019 ACM International Conference on Knowledge Discovery and Data Mining Workshops, pp. 1–7, 2019.

An & S. Cho, “Variational Autoencoder Based Anomaly Detection Using Reconstruction Probability,” Special Lecture on IE, vol. 2, pp. 1–18, 2015.

World Meteorological Organization, Guide to Meteorological Instruments and Methods of Observation, 8th ed., WMO-No. 8, Geneva, 2018.

Downloads

Published

2025-12-30

How to Cite

Fatmi, Y. ., Lase, Y. Y. ., & Hamdi , K. . (2025). Perbandingan Kinerja Isolation Forest dan AutoEncoder untuk Deteksi Anomali Cuaca. Jurnal Manajemen Teknologi Informatika, 3(3), 237-245. https://doi.org/10.70038/jentik.v3i3.196

Issue

Vol. 3 No. 3 (2025): Jurnal Manajemen Teknologi Informatika

Section

Articles

License

Copyright (c) 2025 Yulia Fatmi, Yuyun Yusnida Lase, Khairil Hamdi

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.