Analisis pengaruh Multi-View Embedding terhadap representasi laten dan kinerja deteksi anomali pada model TiCTok menggunakan server machine dataset

Nurbayanah, Siti (2026) Analisis pengaruh Multi-View Embedding terhadap representasi laten dan kinerja deteksi anomali pada model TiCTok menggunakan server machine dataset. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (187kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (231kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (202kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (328kB) | Preview
Preview	Text (BAB 1) 5_bab1.pdf Download (427kB) | Preview
	Text (BAB 2) 6_bab2.pdf Restricted to Registered users only Download (452kB) | Request a copy
	Text (BAB 3) 7_bab3.pdf Restricted to Registered users only Download (451kB) | Request a copy
	Text (BAB 4) 8_bab4.pdf Restricted to Registered users only Download (458kB) | Request a copy
	Text (BAB 5) 9_bab5.pdf Restricted to Registered users only Download (213kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (193kB) | Request a copy
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Infrastruktur digital seperti pusat data menghasilkan data time-series multivariat yang kompleks, di mana anomali yang tidak terdeteksi dapat menyebabkan kerugian operasional signifikan. Penelitian ini mengusulkan integrasi mekanisme multi-view embedding berbasis Multi-Layer Perceptron (MLP) pada arsitektur TiCTok (Time-Series Anomaly Detection with Contrastive Tokenization) untuk meningkatkan kualitas representasi laten dan performa deteksi anomali, serta mengevaluasi dampak augmentasi data sintetis pada dua mesin dengan performa dan kualitas representasi terburuk. Eksperimen dilakukan pada Server Machine Dataset (SMD) yang terdiri dari 28 mesin server, 1.416.825 baris data, dan 38 channel metrik operasional, dengan performa deteksi dievaluasi menggunakan Precision, Recall, dan F1-Score melalui metode point adjustment, sedangkan kualitas representasi laten dievaluasi menggunakan alignment loss, uniformity loss, dan effective rank. Hasil menunjukkan penambahan multi-view embedding menciptakan trade-off konsisten di mana model TiCTok + MVE memperbaiki alignment loss pada 71,4% mesin (20 dari 28), namun memperburuk uniformity loss dan effective rank masing-masing pada 20 dan 21 mesin, sehingga secara agregat rata-rata F1-Score TiCTok + MVE (0,6923) lebih rendah dibandingkan baseline (0,7511), penurunan sebesar 0,0588 yang terbukti signifikan secara statistik (paired t-test: p = 0,0032). Sebaliknya, augmentasi data sintetis terbukti jauh lebih efektif pada mesin dengan anomaly ratio rendah, meningkatkan F1-Score hingga +0,3820 pada machine-3-1 dan effective rank hingga +105,5% pada machine-3-10, sehingga mengonfirmasi bahwa kualitas dan keseimbangan data training memiliki pengaruh lebih dominan terhadap performa model dibandingkan modifikasi arsitektur, dan bahwa mekanisme multi-view embedding membutuhkan regularisasi yang lebih eksplisit untuk mengatasi representational collapse secara menyeluruh.

Actions (login required)

View Item