OUTLIER DETECTION PADA SET DATA FLIGHT RECORDING (PRE-PROCESSING SUMBER DATA ADS-B)

Mohammad Yazdi Pusadan

Abstract


Outlier detetection (deteksi anomali) merupakan bagian dari data mining untuk menentukan suatu data/objek yang memiliki perbedaan karaktetistik dengan set data lainnya (exeption mining). Pada kasus data penerbangan (flight data), outlier diperlukan untuk mengidentifikasi permasalahan yang terjadi pada jalur penerbangan yang diperolah dari sistem navigasi. Data navigasi penerbangan yang digunakan pada penelitian ini bersumber dari ADS-B (Automatic Dependent Surveliace Broadcasting) merupakan sistem navigasi dalam dunia penerbangan yang dengan frekuensinya dapat di deteksi dengan menampilkannya dalam bentuk text, visual 2D dan 3D. Studi analisis terhadap data navigasi penerbangan tersebut digunakan untuk mendeteksi permasalahan penerbangan. Dengan melakukan pengelompokkan (clustering) data serta metode deteksi berbasis jarak (distance) dan kepadatan (density) dapat dihasilkan identifikasi anomali yang terjadi. Hasil yang diperoleh dari penelitian ini adalah frame deteksi outlier pada data penerbangan yang selanjutya dapat dikembagkan.


Full Text:

PDF

References


Yuan Li1 dan Hiroyuki Kitagawa1,2. DB-Outlier by Example in

High Dimensional Dataset. 1Graduate School of System and

Information Engineering, 2Center for Computational Science,

University of Tsukuba, Tennoudai 1-1-1, Tsukuba, Ibaraki, 305-

Japan. IEEE 2007.

Sheng-yi Jiang1,2, Qi-bo An1. Clustering-Based Outlie Detection

Method1. School of Informatics, GuangDong University of

Foreign Studies, 510006, Guangzhou, China; 2Guangdong

Province Key Laboratory of Information Security, Sun Yat-sen

University, Guangzhou, 510275,China. IEEE 2008.

Xiuzhen Jiao, Hui Lu, dan Rongling Lang. One Effective

Method of Outlier Detection in Flight Data. Department of

Electronic Information Engineering, Beijing University of

Aeronautics and Astronautic, 100191, Beijing, China. 2009.

Yue Zhang*, Jie Liu*, Hang Li*. An Outlier Detection

Algorithm based on Clustering Analysis. *Software College ,

Shenyang Normal University, Shenyang 110034, China. IEEE

Lishuai Li, Maxime Gabriel, R.John Hansman. Anomaly

Detection in Onboard-Recorded Flight Data using Cluster

Analysis. Massachusetts Institute of Technology (MIT), USA,

dan Rafael Palacios dari Pontifical University, Spain. 2011.

Markus Goldstein. FastLOF: An Expectation-Maximization

based Local Outlier Detection Algorithm. German Research

Center for Artificial Intelligence (DFKI). IEEE 2012.

Christophe Leysa, Christophe Leyb, Olivier Kleina, Philippe

Bernarda, Laurent Licataa. Detecting outliers: Do not use

standard deviation around the mean, use absolute

deviation around the median. aUniversité Libre de

Bruxelles, Unité de Psychologie Sociale,

Belgium,bUniversité Libre de Bruxelles, Département de

Mathématique and ECARES, Belgium. Journal of

Experimental Social Psychology. IEEE 2013.

http://converticious.com/distance.

http://www.radardox24.com


Refbacks

  • There are currently no refbacks.