<![CDATA[Penelitian ini bertujuan untuk mengidentifikasi anomali serta mengenali pola tersembunyi pada dataset metadata eksperimen ATLAS berskala Big Data yang bersumber dari CERN Open Data. Permasalahan utama dalam penelitian ini adalah tingginya variasi jumlah kejadian fisika (events) yang menyulitkan proses analisis dan interpretasi data secara akurat. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan pendekatan Knowledge Discovery in Database (KDD) berbasis komputasi awan (Cloud Computing) yang meliputi agregasi data, komputasi statistik deskriptif, analisis kemiringan distribusi (skewness), Z-Score Outlier Detection, dan pengenalan pola sekuensial (pattern recognition). Hasil analisis terhadap 374 dataset menunjukkan rata-rata jumlah kejadian sebesar 5.075.259,44 events dengan standar deviasi 18.689.769,53 events, di mana distribusi populasi terkonfirmasi memiliki tingkat kemiringan positif yang ekstrem (Right-Skewed). Berdasarkan perhitungan Z-Score dengan ambang batas |Z| > 3, ditemukan sebanyak 6 dataset (sekitar 1,6%) yang teridentifikasi sebagai anomali ekstrem. Lebih lanjut, analisis tren sekuensial dan visualisasi spasial membuktikan bahwa anomali tersebut tidak terjadi secara acak, melainkan membentuk klaster sistemik yang terpusat pada rentang batch observasi tertentu. Integrasi metode Z-Score dan pengenalan pola ini terbukti efektif dalam memvalidasi kualitas data (Veracity) serta mengekstraksi informasi operasional pada dataset saintifik berskala masif.]]>
Copyrights © 2026
