Sesi Poster No.40: DETEKSI ANOMALI SPESIAL TEMPORAL DATA IKLIM DAN HAMA
Sumber: TEGUH WAHYONO, program Doktor Universitas BINUS (10 Nov 2020)
DETEKSI ANOMALI SPASIAL TEMPORAL DATA IKLIM DAN HAMA. Kurangnya riset deteksi anomali dalam domain iklim, Masalah dataset: kurangnya data berlabel, mahal, susah diperoleh, Tantangan sifat data iklim : strong seasonality component dan struktur yang kompleks. Salah satu metode yang bekerja efektif dalam riset deteksi anomali time-series adalah Long Short-Term Memory (LSTM), tetapi memiliki kelemahan: (1) Masih bersifat mendeteksi anomaly titik (point anomaly), perlu metode untuk mendeteksi collective anomaly), (2) membutuhkan optimasi dan penyesuaian parameter untuk performa optimal, (3) Bekerja efektif pada supervised learning tetapi data iklim memerlukan pendekatan unsupervised, (4) masih terbatas pada deteksi anomali secara temporal, belum mampu menangani deteksi anomali spatial dan anomali spatial temporal.
