Artificial Immune System Eko Prasetyo Teknik Informatika

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

Immune System

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.

Negative Selection 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.

Deteksi Anomali (Negatif) dengan K-NN 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.

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

Contoh Lakukan deteksi anomali pada 5 data berikut. Nilai T untuk Rata-rata Jarak (RJ), T = 7 Jarak yang digunakan Cityblock DATA X Y A 6 4 B 13 2 C 9 7 D E 10

Contoh TETANGGA TERDEKAT K=3 1 2 3 RJ 5 6 9 6.67 11 9.67 4 5.00 10 6.33 Jarak data terhadap data lainnya Jarak A B C D E - 9 6 5 10 14 11 4 Jarak DATA Status Keterangan A Normal RJ < T B Outlier RJ >= T C D E Didapatkan bahwa data yang anomali adalah data B karena RJ = 9.67 lebih besar dari T = 7

ANY QUESTIONS ?