AI Analytics

Deteksi anomali multivariat berbasis Mahalanobis Distance
Skor Anomali Saat Ini
--
Memuat...
Membaca data...
D² Saat Ini
--
Threshold Aktif
9.0
Status Model
--
Skor Anomali 60 Sampel Terakhir
Kontrol Threshold
9.0
Panduan: 4 = sensitif (banyak alert) · 9 = standar (~3σ) · 25 = longgar (hanya anomali ekstrem)
Kalibrasi Mahalanobis
0 / 100 sampel
Mahalanobis butuh 100 sampel (~100 menit) untuk belajar pola normal. Setelah itu deteksi otomatis aktif.
Tentang Metode
Mahalanobis Distance mengukur seberapa jauh vektor 5 sensor (suhu udara, kelembaban, pH, TDS, suhu air) dari distribusi normal yang dipelajari. Berbeda dengan rule-based yang cek sensor satu-satu, metode ini mendeteksi kombinasi aneh antar sensor — misal pH normal tapi korelasi pH-TDS berubah, mengindikasikan kontaminasi atau sensor drift.

Rumus: D² = (x − μ)ᵀ Σ⁻¹ (x − μ)
Threshold default: D² ≥ 9 (≈3σ) → anomali signifikan