Mata Kuliah: MKK.10.01.005 — Kecerdasan Buatan & Internet of Things (TW1). Durasi: 120 menit (Tatap Muka). Penyusun: Irfan Yusin Syahrullah.
Tujuan Pembelajaran
- Memahami konsep deteksi anomali dan outlier
- Menghitung statistik dasar mean dan standar deviasi dari data sensor
- Membuat aturan deteksi anomali berbasis z-score
- Mengintegrasikan deteksi anomali ke sistem monitoring
Capaian Pembelajaran
Mahasiswa mampu membangun sistem deteksi anomali sederhana untuk data sensor dan mengintegrasikannya pada monitoring.
Konsep Materi
Anomali adalah data yang menyimpang signifikan dari pola normal dan sering menandakan masalah, seperti sensor rusak, koneksi putus, atau kondisi bahaya. Deteksi anomali penting menjaga keandalan sistem monitoring.
Pendekatan statistik menghitung mean (rata-rata) dan standar deviasi (ukuran sebaran) dari data normal. Nilai yang jauh dari mean dibandingkan standar deviasi dianggap anomali.
Z-score mengukur seberapa jauh sebuah nilai dari mean dalam satuan standar deviasi: z = (x – mean) / std. Ambang umum |z| >= 3 menandakan anomali karena berada jauh di luar distribusi normal.
ESP32 dapat menghitung mean dan standar deviasi dari data yang dikumpulkannya selama periode kalibrasi, lalu membandingkan pembacaan baru secara realtime terhadap ambang tersebut.
Deteksi anomali berguna pada monitoring ruangan, mesin industri, maupun kesehatan sensor. Sistem menandai nilai mencurigakan dan memicu notifikasi sebelum menjadi masalah serius.
Langkah Praktik
- Kumpulkan data suhu normal selama beberapa waktu dan hitung mean serta standar deviasinya.
- Di Python, implementasikan fungsi penghitungan mean dan standar deviasi dari dataset.
- Tulis formula deteksi anomali berbasis z-score dan uji pada data yang memuat nilai menyimpang.
- Pindahkan logika deteksi ke ESP32 dengan konstanta mean dan std yang telah dihitung.
- Simulasikan anomali (data langka/sensor diganggu) dan amati peringatan yang muncul.
Kode Contoh
# Deteksi anomali sederhana menggunakan z-score (Python)
import numpy as np
data = [26.1, 26.3, 26.0, 26.2, 45.7, 26.1] # 45.7 adalah anomali
mean = np.mean(data)
std = np.std(data)
for x in data:
z = (x - mean) / std
status = "ANOMALI" if abs(z) >= 3 else "normal"
print(f"{x:.1f} -> z={z:.2f} -> {status}")Latihan / Proyek
- Uji ambang z-score yang berbeda (2 dan 3) dan bandingkan sensitivitasnya.
- Integrasikan deteksi anomali dengan notifikasi di dashboard monitoring.
- Rancang deteksi anomali pada sensor HC-SR04 yang tiba-tiba membaca jarak ekstrem.
Rekap & Tindak Lanjut
Mahasiswa memahami deteksi anomali berbasis statistik dan mampu menerapkannya pada data sensor. Kemampuan ini meningkatkan keandalan monitoring tanpa menunggu kegagalan nyata.