Deteksi Anomali adalah jenis teknik keamanan komputer yang digunakan untuk mendeteksi dan mengidentifikasi data atau aktivitas mencurigakan yang berpotensi terkait dengan ancaman keamanan atau serangan berbahaya. Ini adalah bentuk pembelajaran mesin tanpa pengawasan yang mengandalkan data yang ada untuk mendeteksi ketidakteraturan yang tidak diketahui dan tidak terduga pada data yang berpotensi mencurigakan.
Metode deteksi anomali digunakan untuk mendeteksi kelainan pada fitur input dengan panjang tetap, seperti lalu lintas aplikasi jaringan, data sistem komputer atau entri log, pesan teks, atau sumber data lainnya. Ini juga digunakan untuk mendeteksi perilaku tidak biasa dari pengguna atau perangkat, lalu lintas jaringan intra dan antar, dan aktivitas lainnya. Model untuk deteksi anomali biasanya menggunakan metode pembelajaran yang diawasi atau tidak diawasi untuk mendeteksi outlier, jumlah informasi yang digunakan bervariasi dari data, dan harus dilatih pada sekumpulan data berlabel.
Deteksi anomali bekerja dengan memindai titik data yang menyimpang dari perilaku atau pola yang diharapkan dalam kumpulan data. Hal ini dapat mencakup aktivitas yang tidak biasa pada akun pelanggan, lalu lintas jaringan yang mencurigakan, potensi penipuan, atau jenis titik data lainnya yang menonjol dari data lainnya. Ketika pola yang tidak biasa terdeteksi, sistem dapat digunakan untuk memperingatkan operator atau memulai respons otomatis terhadap ancaman tersebut.
Sistem deteksi anomali dapat digunakan untuk keamanan siber, pengumpulan intelijen, deteksi penipuan, deteksi cacat produksi, dan analisis data layanan kesehatan. Jenis deteksi ini juga dapat digunakan dalam layanan kesehatan untuk mendeteksi masalah medis, untuk mendiagnosis malfungsi atau kegagalan peralatan, atau untuk mendeteksi penipuan keuangan.
Deteksi anomali adalah alat yang ampuh untuk mendeteksi ancaman atau perilaku jahat. Namun, karena kompleksitas beberapa kumpulan data, positif palsu atau negatif palsu dapat terjadi pada model ini—yaitu peristiwa abnormal salah terdeteksi atau perilaku berbahaya tidak terdeteksi. Untuk mengurangi kesalahan positif dan negatif ini, model deteksi anomali harus disesuaikan secara cermat dan dievaluasi ulang secara berkala.
