Pemetaan Riwayat (History): Cara Mencari Anomali Putaran dalam Sesi Panjang
Pemetaan riwayat (history) adalah teknik membaca jejak data dari putaran ke putaran untuk menemukan pola yang “tidak wajar” saat sesi berjalan panjang. Di konteks analitik, anomali putaran bisa berarti lonjakan frekuensi kejadian, perubahan ritme, atau kemunculan pola yang jarang terjadi namun berulang. Dengan pemetaan yang rapi, Anda tidak sekadar melihat angka, melainkan memahami alur sesi: kapan putaran normal, kapan mulai “melenceng”, dan di titik mana penyebabnya layak diselidiki.
Konsep “putaran” dan kenapa sesi panjang rawan anomali
Putaran dapat dimaknai sebagai unit kejadian berulang: satu transaksi, satu iterasi proses, satu ronde aktivitas pengguna, atau satu siklus sistem. Pada sesi pendek, outlier sering tampak jelas. Namun pada sesi panjang, anomali cenderung tersamarkan oleh akumulasi data: rata-rata menenangkan gejolak, dan puncak sesaat terlihat “wajar”. Karena itu, pemetaan riwayat berperan seperti garis waktu yang memberi konteks, bukan sekadar ringkasan statistik.
Skema tidak biasa: peta “3-Lapis Jejak” (Waktu, Ritme, dan Jarak)
Agar tidak terjebak pada grafik standar, gunakan skema 3-lapis jejak. Lapis pertama adalah Waktu: urutan putaran dengan penanda jam atau indeks. Lapis kedua adalah Ritme: selisih waktu antar putaran atau intensitas kejadian per interval. Lapis ketiga adalah Jarak: seberapa jauh sebuah putaran menyimpang dari pola tipikal (misalnya dari median bergerak). Tiga lapisan ini membentuk peta yang mudah dibaca: Anda tahu “kapan terjadi”, “secepat apa perubahannya”, dan “seberapa ekstrem bedanya”.
Langkah 1: Menyusun riwayat menjadi “timeline berbutir”
Mulailah dengan mengubah log mentah menjadi timeline berbutir: setiap putaran punya ID, timestamp, nilai utama (misalnya durasi, skor, nominal), serta atribut pendukung (sumber, perangkat, lokasi, versi sistem). Jangan langsung mengagregasi terlalu cepat. Untuk sesi panjang, simpan granularitas minimal per putaran agar anomali yang sifatnya singkat tidak hilang. Jika datanya besar, lakukan batching per blok, misalnya tiap 200–500 putaran, sambil tetap menyimpan pointer ke putaran detail.
Langkah 2: Membuat baseline dinamis dengan median bergerak
Baseline statis sering menipu karena sesi panjang biasanya mengalami drift: beban naik turun, perilaku pengguna berubah, atau sistem diperbarui. Gunakan median bergerak (rolling median) dan rentang antar kuartil (IQR) untuk membentuk “normal baru” yang menyesuaikan konteks. Contohnya, hitung median nilai pada jendela 51 putaran terakhir, lalu ukur deviasi putaran saat ini terhadap median tersebut. Median lebih tahan terhadap outlier dibanding rata-rata, sehingga alarm anomali tidak mudah “dipelintir” oleh satu puncak besar.
Langkah 3: Deteksi anomali putaran dengan aturan gabungan (bukan satu ambang)
Dalam pemetaan riwayat, lebih aman memakai aturan gabungan. Misalnya: (1) deviasi melampaui 2,5×IQR, (2) terjadi minimal 3 kali dalam 20 putaran, dan (3) ritme berubah, misalnya selisih waktu antar putaran mendadak menyempit atau melebar. Anomali yang valid biasanya meninggalkan lebih dari satu jejak: bukan hanya besar nilainya, tetapi juga mengubah ritme atau konsistensi. Dengan aturan gabungan, Anda mengurangi false positive yang sering muncul pada sesi panjang.
Langkah 4: Menandai “zona” bukan hanya titik
Alih-alih menandai satu putaran sebagai anomali, tandai zona: rentang putaran yang menunjukkan gejala serupa. Buat label seperti Zona A (pemanasan), Zona B (stabil), Zona C (drift), Zona D (spike berulang). Teknik ini membantu ketika anomali berupa perilaku kolektif, misalnya latensi naik perlahan selama 300 putaran. Di peta 3-lapis jejak, zona terlihat sebagai blok perubahan pada lapis Ritme dan Jarak, sehingga investigasi menjadi lebih terarah.
Langkah 5: Menelusuri penyebab dengan “jalur balik” atribut
Setelah zona anomali ditemukan, lakukan jalur balik atribut: bandingkan distribusi atribut pendukung antara zona normal dan zona anomali. Contoh: apakah anomali muncul hanya pada versi aplikasi tertentu, hanya pada satu lokasi, atau setelah pergantian konfigurasi. Cara praktisnya adalah membuat tabel silang sederhana: Zona vs atribut, lalu cari nilai yang dominan secara tidak biasa. Jika 80% anomali terjadi pada satu sumber event, itu petunjuk kuat untuk investigasi lanjutan.
Checklist cepat agar pemetaan riwayat tetap “bersih”
Pastikan definisi putaran konsisten, timestamp sinkron, dan data hilang dicatat (bukan diabaikan). Gunakan jendela baseline yang cukup panjang agar stabil, namun cukup pendek agar responsif. Simpan penanda zona beserta alasan pemicu (deviasi, ritme, atau jarak). Terakhir, dokumentasikan aturan deteksi yang dipakai, sehingga sesi panjang berikutnya bisa dibandingkan secara adil tanpa mengubah standar di tengah jalan.
Home
Bookmark
Bagikan
About
Chat
