Local Outlier Factor (LOF)
Local Outlier Factor (LOF) adalah algoritma deteksi anomali tanpa pengawasan berbasis kepadatan yang diperkenalkan oleh Breunig, Kriegel, Ng, dan Sander pada tahun 2000. Algoritma ini menetapkan skor outlier kontinu untuk setiap titik data yang mengukur seberapa terisolasi titik tersebut relatif terhadap lingkungan lokalnya, memungkinkan deteksi anomali yang terlewatkan oleh metode global karena menyatu ke dalam kluster padat di tempat lain dalam ruang.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Breunig, M. M., Kriegel, H.-P., Ng, R. T., & Sander, J. (2000). LOF: Identifying density-based local outliers. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 93–104. DOI: 10.1145/335191.335388 ↗
- Aggarwal, C. C. (2017). Outlier Analysis (2nd ed., Ch. 4). Springer. ISBN: 978-3-319-47577-6
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 14). Springer. ISBN: 978-0-387-84857-0
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/id/machine-learning/local-outlier-factor
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AutoenkoderPembelajaran Mendalam↔ compare
- DBSCANPembelajaran Mesin↔ compare
- Isolation ForestPembelajaran Mesin↔ compare
- SVM Satu KelasPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →