Deteksi Anomali Menggunakan Local Outlier Factor (LOF) pada Kerusakan Sensor Suhu Air Conditioner (AC)
DOI:
https://doi.org/10.67712/ilka.v3i3.25Kata Kunci:
Anomaly Detection, Temperature Sensor, Air Conditioner (AC), Local Outlier Factor (LOF), Sensor Malfuncti.Abstrak
Sensor suhu pada sistem AC itu punya peran kunci buat menjaga
performa dan efisiensi saat pendingin diaktifkan. Tapi, sensor ini bisa aja
rusak atau bermasalah, yang bisa bikin pembacaan suhu jadi gak akurat
dan akhirnya bikin sistem gak berjalan dengan baik. Makanya, penting
banget buat punya cara deteksi awal biar tahu kalau ada yang gak beres.
Nah, penelitian ini coba pake algoritma Local Outlier Factor (LOF) buat
ningkatin kemampuan deteksi anomali di data suhu sensor AC. LOF
sendiri itu metode yang berbasis density, yang cari data-data yang punya
kerapatan berbeda sama tetangganya. Data yang dipake berasal dari suhu
sensor AC selama periode tertentu. Prosesnya meliputi tahap pra-
pemrosesan data, ngitung skor LOF, terus ngecek hasilnya pake metrik
kayak akurasi, presisi, recall, sama F1-score. Hasilnya nunjukin kalau
LOF mampu mendeteksi anomali dengan cukup akurat, dan ini bisa jadi
solusi buat sistem monitoring AC biar sensor rusak bisa terdeteksi
otomatis, tanpa perlu repot pemeriksaan manual.
Unduhan
Referensi
Ali, M. (1985). Penelitian kependidikan: Prosedur dan strategi. Bandung: Angkasa.
Arikunto, S. (2002). Prosedur penelitian: Suatu pendekatan praktek. Jakarta: Rineka Cipta.
Applied Intelligence (2025). Multi-block Local Outlier Factor anomaly detection of complex industrial
systems
Airlangga, G. (2024). Advanced Machine Learning Techniques for Seismic Anomaly Detection in Indonesia:
A Comparative Study of LOF, Isolation Forest, and One-Class SVM. Jurnal Lebesgue
Bogdan, R., & Taylor, S. J. (1975). Introduction to qualitative research methods: A phenomenological
approach to the social sciences. New York: Wiley.
Chaabouni, A., et al. (2025). Outlier Ensemble Based on Isolation Forest: The CBOEA Approach.
Foundations of Computing and Decision Sciences,
Gregorius Airlangga, “Unsupervised Machine Learning for Seismic Anomaly Detection: Local Outlier
Factor Algorithm to Indonesian Earthquake Data”, Jurnal Lebesgue, 2023.
Hamdi, A., et al. (2025). Multi-block Local Outlier Factor anomaly detection of complex industrial systems.
Holly, S., et al. (2024). Cooling systems anomaly detection: methods & algorithms.
Hu, R., Luc, Chen, & Wang, Y. (2025). An Efficient Outlier Detection Algorithm for Data Streaming
Jurj, D. I., Czumbil, L., Bârgăuan, B., Ceclan, A., Polycarpou, A., & Micu, D. D. (2021). Custom outlier
detection for electrical energy consumption data applied in case of demand response in block of
buildings.
Johannesen, N. J., Kolhe, M. L., & Goodwin, M. (2022). Evaluating Anomaly Detection Algorithms
through different Grid scenarios using k-Nearest Neighbor, iforest and Local Outlier Factor.
Khan, M., et al. (2025). Anomaly-Free and Open-Source Dataset for Thermal Modeling.
Liu, Y., et al. (2024). Unsupervised anomaly detection in building energy systems with ensemble learning.
Li, P., Zhai, G., & Qu, Z. (2024). Outlier anomaly assessment method based on the attention-enhanced LOF
algorithm
Moleong, L. J. (2000). Metodologi penelitian kualitatif. Bandung: Remaja Rosdakarya.
Mutmainah, M., & Yustanti, W. (2024). Studi Komparasi Local Outlier Factor (LOF) dan Isolation Forest
(IF) pada Analisis Anomali Kinerja Dosen. Journal of Informatics and Computer Science
Patton, M. Q. (1980). Qualitative evaluation methods. Beverly Hills, CA: Sage Publications.
Sun, Z., & Wang, S. (2023). Graph embedding-based anomaly localization for HVAC system. Journal of
Building Engineering.
Szydlo, T. (2022). Online Anomaly Detection Based On Reservoir Sampling and LOF for IoT devices.
Yong He, Lin Zhang, Peng Li, Feng Zhu, “Outlier detection algorithm based on k-nearest
neighbors-local outlier factor”, SAGE Journals, 2022.
Wei, Z., & Wang, F. (2022). Detecting anomaly data for IoT sensor networks. Scientific Programming,
2022.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Ilmu Komputer Aceh
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal ini adalah jurnal akses terbuka yang menyediakan akses langsung secara nasional, bebas hambatan ke teks lengkap dari semua artikel yang diterbitkan tanpa biaya pembaca atau institusi mereka untuk mengaksesnya. Pembaca berhak membaca, mengunduh, menyalin, mendistribusikan, mencetak, mencari, atau menautkan teks lengkap semua artikel di Jurnal ILKA. Jurnal ini memberikan akses terbuka langsung ke kontennya dengan prinsip bahwa membuat penelitian tersedia secara bebas untuk publik mendukung pertukaran pengetahuan global yang lebih besar.
