Perbandingan Performa Algoritma Isolation Forest dan COPOD dalam Deteksi Anomali Pada Electrical Submersible Pumps

Abstract

Penelitian ini bertujuan untuk mendeteksi anomali dalam data operasional ESP dengan menggunakan dua model unsupervised learning, yaitu Isolation Forest (iForest) dan Copula-Based Outlier Detection (COPOD). Data yang digunakan merupakan data operasional ESP terdiri dari ampere, frekuensi, tekanan, suhu motor, getaran dan gross rate. Dalam analisis ini, dilakukan deteksi anomali berdasarkan data long term history dan short term period. Hyperparameter yang digunakan pada Isolation Forest dan COPOD dalam membandingkan kedua model yaitu contamination sebesar 0.01. Pada Isolation Forest, juga menggunakan hyperparameter seperti trees, max_samples, bootstrap, dan random state. Hasil penelitian menunjukkan bahwa Isolation Forest memiliki performa lebih baik dibandingkan COPOD dalam mendeteksi anomali pada berbagai fitur yang ada, baik berdasarkan data long term history dan short term period. Isolation Forest mampu mendeteksi anomali dengan perubahan data yang ekstrim dan jauh dari distribusi normal, sementara COPOD kurang sensitif terhadap variasi perubahan anomali. Analisis juga menunjukkan bahwa deteksi anomali berdasarkan short term period lebih akurat dalam mengorelasikan anomali pada satu fitur yang berpengaruh pada anomali di fitur lain dibandingkan dengan long term history. Penelitian ini menyarankan eksperimen lebih lanjut dengan berbagai hyperparameter untuk meningkatkan performa model, evaluasi, dan validasi oleh ahli ESP, serta analisis pola hubungan antar fitur untuk deteksi anomali lebih akurat.