Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Artificial Immune System Eko Prasetyo Teknik Informatika.

Presentasi serupa


Presentasi berjudul: "Artificial Immune System Eko Prasetyo Teknik Informatika."— Transcript presentasi:

1 Artificial Immune System Eko Prasetyo Teknik Informatika

2 Artificial Immune Systems  Natural Immune System mempunyai kemampuan pencocokan untuk membedakan antara sel-sel asing yang masuk ke tubuh (non-self, / antigen) dan sel-sel milik tubuh (self). Bentuk:  Sistem kekebalan tubuh membedakan antara self dan non-self  Menggunakan limfosit yang diproduksi di organ limfoid. Limfosit “belajar” untuk mengikat antigen.  Teori seleksi klonal  B-Cell aktif memproduksi antibodi melalui proses kloning. Kloning yang dihasilkan juga bermutasi.  Teori bahaya  Sistem kekebalan tubuh memiliki kemampuan untuk membedakan antara antigen berbahaya dan tidak-berbahaya.  Teori Network  Diasumsikan bahwa B-Sel membentuk jaringan. Ketika B-Cell merespon antigen, maka B-Cell menjadi aktif dan merangsang semua B-Sel lain yang terhubung dalam jaringan 2

3 Immune System 3

4 Bidang Penerapan AIS  Jaringan Komputer: Deteksi serangan cracker, deteksi keberadaan virus.  Akademik: Deteksi mahasiswa bermasalah atau berprestasi.  Klimatologi: Deteksi anomali cuaca dan iklim.  Kesehatan: Deteksi sel kanker, pencarian bagian tubuh yang abnormal dalam citra medis. 4

5 Negative Selection 5  Dalam model, jika panjang pola kontinyu r minimal untuk mengenali sebagai antigen adalah 7, maka untuk model tersebut Pattern (data uji) masih dikategorikan sebagai self.  Jika Pattern >= 7 maka dikategorikan self.  Jika Pattern < 7 maka dikategorikan non-self.

6 Deteksi Anomali (Negatif) dengan K-NN 6  Deteksi anomali data dengan K-NN didasarkan pada sejumlah data tetangga terdekat dari setiap data,  Diambil rata-rata jarak dari K tetangga.  Setiap data akan diberi skor (nilai) penyimpangannya (derajat outlier).  Derajat terendah outlier adalah 0,  Derajat tertinggi (dinyatakan dengan jarak) bisa mencapai tak terhingga (Tan et al, 2006).  Data dengan derajat (skor) terendah yaitu 0 dianggap data inlier (bukan outlier),  Data dengan nilai skor yang tinggi diatas T yang ditentukan, maka akan dianggap sebagai outlier.

7 Algoritma K-NN Deteksi Outier 7 1. Tetapkan parameter K jumlah tetangga terdekat, threshold t 2. Lakukan langkah 3 sampai 6 untuk setiap data 3. Hitung jarak ke semua data yang lain. 4. Ambil K tetangga terdekat (tiga tetangga terdekat). 5. Hitung rata-rata jarak dari K tetangga. 6. Jika rata-rata jarak yang didapat  t, tandai data tersebut sebagai outlier.

8 Contoh 8  Lakukan deteksi anomali pada 5 data berikut.  Nilai T untuk Rata-rata Jarak (RJ), T = 7  Jarak yang digunakan Cityblock DATAXY A64 B132 C97 D69 E10

9 Contoh 9 JarakABCDE A B C69-54 D E Jarak data terhadap data lainnya TETANGGA TERDEKAT K=3 123RJ DATAStatusKeterangan ANormalRJ < T BOutlierRJ >= T CNormalRJ < T DNormalRJ < T ENormalRJ < T Jarak Didapatkan bahwa data yang anomali adalah data B karena RJ = 9.67 lebih besar dari T = 7

10 ANY QUESTIONS ?


Download ppt "Artificial Immune System Eko Prasetyo Teknik Informatika."

Presentasi serupa


Iklan oleh Google