Deteksi Anomali Sistem Tenaga & Autoencoder
Taksonomi Anomali Kelistrikan, Isolation Forest, dan Rekonstruksi Galat LSTM Autoencoder
Sub-CPMK 12: Mampu merancang sistem deteksi anomali tanpa pengawasan (Unsupervised) berbasis Autoencoder.
Taksonomi anomali deret waktu sistem tenaga (Point, Contextual, Collective anomalies), metode statistik Z-score dan CUSUM, algoritma Isolation Forest, arsitektur LSTM Autoencoder untuk deteksi berbasis galat rekonstruksi, serta metrik Precision, Recall, dan F1-Score pada dataset timpang (*class imbalance*).
Definisi 3 tipe anomali data sistem tenaga dan prinsip deteksi berbasis kompresi bottleneck Autoencoder.
Perhitungan metrik Precision, Recall, dan F1-Score dari Confusion Matrix deteksi pencurian smart meter.
Evaluasi kelemahan alarm ambang statis pada degradasi isolasi transformator dan perancangan LSTM Autoencoder PyOD.
from sklearn.ensemble import IsolationForest
import numpy as np
# Isolation Forest untuk Deteksi Outlier Titik
iso = IsolationForest(contamination=0.02, random_state=42)
anomalies = iso.fit_predict(sensor_features) # -1: Anomali, 1: Normal
# Galat Rekonstruksi Autoencoder
recon_error = np.mean(np.square(X_test - X_recon), axis=(1, 2))
threshold = np.mean(train_recon_error) + 3.0 * np.std(train_recon_error)
is_anomaly = recon_error > threshold