Deteksi Outlier
Outlier Detection (Z-Score)
Deteksi pencilan berbasis Z-score.
Kapan dipakai?
Dipakai untuk menemukan pola tersembunyi dari data besar — mis. produk yang sering dibeli bersamaan, segmentasi, atau kata kunci penting.
Cara membaca hasil
Untuk association rule: perhatikan support, confidence, dan lift (lift > 1 = korelasi positif). Aturan teratas = pola paling kuat.
Data Peserta Bootcamp (15 baris)
| # | Jam | Project | Kehadiran | Nilai | Lulus | |
|---|---|---|---|---|---|---|
| 1 | ||||||
| 2 | ||||||
| 3 | ||||||
| 4 | ||||||
| 5 | ||||||
| 6 | ||||||
| 7 | ||||||
| 8 | ||||||
| 9 | ||||||
| 10 | ||||||
| 11 | ||||||
| 12 | ||||||
| 13 | ||||||
| 14 | ||||||
| 15 |
Mau Deteksi Outlier jadi aplikasi yang benar-benar dipakai?
Yang di atas baru simulasi dengan data contoh. Kalau kamu butuh Deteksi Outlier yang dipakai sungguhan — input data sendiri, perhitungan otomatis, simpan riwayat, sampai cetak laporan — kami siap bangunkan. Cocok untuk skripsi, tugas akhir, maupun kebutuhan kerja.
Bonus: setiap pesanan Deteksi Outlier sudah termasuk file perhitungan Excel-nya — lengkap dengan rumus tiap langkah, pas untuk lampiran & bahan sidang.
Harga menyesuaikan fitur & kebutuhan. Ngobrol dulu — gratis dan tanpa kewajiban.