Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Mendeteksi outlier dengan deteksi anomali bertenaga ML
Amazon Quick Sight menggunakan teknologi Amazon yang telah terbukti untuk terus menjalankan deteksi anomali bertenaga ML di jutaan metrik untuk menemukan tren tersembunyi dan outlier dalam data Anda. Alat ini memungkinkan Anda untuk mendapatkan wawasan mendalam yang sering terkubur dalam agregat dan tidak dapat diskalakan dengan analisis manual. Dengan deteksi anomali bertenaga ML, Anda dapat menemukan outlier dalam data Anda tanpa perlu analisis manual, pengembangan kustom, atau keahlian domain ML.
Amazon Quick Sight memberi tahu Anda dalam visual Anda jika mendeteksi bahwa Anda dapat menganalisis anomali atau melakukan beberapa peramalan pada data Anda.
Deteksi anomali tidak tersedia di `eu-central-2` wilayah Eropa (Zurich).
**penting**
Deteksi anomali bertenaga ML adalah tugas komputasi yang intens. Sebelum Anda mulai menggunakannya, Anda bisa mendapatkan gambaran tentang biaya dengan menganalisis jumlah data yang ingin Anda gunakan. Kami menawarkan model harga berjenjang yang didasarkan pada jumlah metrik yang Anda proses per bulan.
**Topics**
+ [Konsep untuk deteksi anomali atau outlier](anomaly-detection-outliers-and-key-drivers.md)
+ [Menyiapkan deteksi anomali bertenaga ML untuk analisis outlier](anomaly-detection-using.md)
+ [Menjelajahi outlier dan pendorong utama dengan deteksi anomali bertenaga ML dan analisis kontribusi](anomaly-exploring.md)
# Konsep untuk deteksi anomali atau outlier
Amazon Quick Sight menggunakan kata *anomali* untuk menggambarkan titik data yang berada di luar pola distribusi keseluruhan. Ada banyak kata lain untuk anomali, yang merupakan istilah ilmiah, termasuk outlier, penyimpangan, keanehan, pengecualian, penyimpangan, kebiasaan, dan banyak lagi. Istilah yang Anda gunakan mungkin didasarkan pada jenis analisis yang Anda lakukan, atau jenis data yang Anda gunakan, atau bahkan hanya preferensi grup Anda. Titik-titik data terpencil ini mewakili suatu entitas — seseorang, tempat, benda, atau waktu — yang luar biasa dalam beberapa hal.
Manusia dengan mudah mengenali pola dan melihat hal-hal yang tidak seperti yang lain. Indera kita memberikan informasi ini untuk kita. Jika polanya sederhana, dan hanya ada sedikit data, Anda dapat dengan mudah membuat grafik untuk menyorot outlier dalam data Anda. Beberapa contoh sederhana termasuk yang berikut:
+ Balon merah dalam kelompok yang biru
+ Kuda pacu yang jauh di depan yang lain
+ Seorang anak yang tidak memperhatikan selama kelas
+ Sehari ketika pesanan online naik, tetapi pengiriman turun
+ Seseorang yang sembuh, di mana orang lain tidak
Beberapa titik data mewakili peristiwa penting, dan yang lain mewakili kejadian acak. Analisis mengungkap data mana yang layak diselidiki, berdasarkan faktor pendorong (pendorong utama) apa yang berkontribusi pada acara tersebut. Pertanyaan sangat penting untuk analisis data. Mengapa itu terjadi? Apa hubungannya dengan? Apakah itu terjadi hanya sekali atau berkali-kali? Apa yang dapat Anda lakukan untuk mendorong atau mencegah lebih seperti itu?
Memahami bagaimana dan mengapa ada variasi, dan apakah ada pola dalam variasi, membutuhkan lebih banyak pemikiran. Tanpa bantuan pembelajaran mesin, setiap orang mungkin sampai pada kesimpulan yang berbeda, karena mereka memiliki pengalaman dan informasi yang berbeda. Oleh karena itu, setiap orang mungkin membuat keputusan bisnis yang sedikit berbeda. Jika ada banyak data atau variabel untuk dipertimbangkan, itu bisa memerlukan sejumlah besar analisis.
Deteksi anomali bertenaga ML mengidentifikasi penyebab dan korelasi untuk memungkinkan Anda membuat keputusan berbasis data. Anda masih memiliki kendali untuk menentukan bagaimana Anda ingin pekerjaan bekerja pada data Anda. Anda dapat menentukan parameter Anda sendiri, dan memilih opsi tambahan, seperti mengidentifikasi driver utama dalam analisis kontribusi. Atau Anda dapat menggunakan pengaturan default. Bagian berikut memandu Anda melalui proses penyiapan, dan memberikan penjelasan untuk opsi yang tersedia.
# Menyiapkan deteksi anomali bertenaga ML untuk analisis outlier
Gunakan prosedur di bagian berikut untuk mulai mendeteksi outlier, mendeteksi anomali, dan mengidentifikasi driver utama yang berkontribusi padanya.
**Topics**
+ [Melihat pemberitahuan anomali dan perkiraan](anomaly-detection-adding-from-visuals.md)
+ [Menambahkan wawasan ML untuk mendeteksi outlier dan driver kunci](anomaly-detection-adding-anomaly-insights.md)
+ [Menggunakan analisis kontribusi untuk driver utama](anomaly-detection-adding-key-drivers.md)
# Melihat pemberitahuan anomali dan perkiraan
Amazon Quick Sight memberi tahu Anda tentang visual yang mendeteksi anomali, driver kunci, atau peluang peramalan. Anda dapat mengikuti petunjuk untuk mengatur deteksi atau peramalan anomali berdasarkan data dalam visual itu.
1. Di bagan garis yang ada, cari pemberitahuan wawasan di menu di widget visual.
1. Pilih ikon bola lampu untuk menampilkan notifikasi.
1. Jika Anda ingin informasi lebih lanjut tentang wawasan ML, Anda dapat mengikuti petunjuk layar untuk menambahkan wawasan ML.
# Menambahkan wawasan ML untuk mendeteksi outlier dan driver kunci
Anda dapat menambahkan wawasan ML yang mendeteksi *anomali*, yang merupakan outlier yang tampaknya signifikan. Untuk memulai, Anda membuat widget untuk wawasan Anda, juga dikenal sebagai *autonarrative*. Saat Anda mengonfigurasi opsi, Anda dapat melihat tangkapan layar terbatas dari wawasan Anda di panel **Pratinjau** di layar kanan.
Di widget wawasan Anda, Anda dapat menambahkan hingga lima bidang dimensi yang tidak dihitung bidang. Di sumur lapangan, nilai untuk **Kategori** mewakili nilai dimensi yang digunakan Amazon Quick Sight untuk membagi metrik. Misalnya, katakanlah Anda menganalisis pendapatan di semua kategori produk dan produk SKUs. Ada 10 kategori produk, masing-masing dengan 10 produk SKUs. Amazon Quick Sight membagi metrik dengan 100 kombinasi unik dan menjalankan deteksi anomali pada setiap kombinasi untuk split.
Prosedur berikut menunjukkan bagaimana melakukan ini, dan juga bagaimana menambahkan analisis kontribusi untuk mendeteksi driver utama yang menyebabkan setiap anomali. Anda dapat menambahkan analisis kontribusi nanti, seperti yang dijelaskan dalam[Menggunakan analisis kontribusi untuk driver utama](anomaly-detection-adding-key-drivers.md).
**Untuk mengatur analisis outlier, termasuk driver utama**
1. **Buka analisis Anda dan di bilah alat, pilih **Wawasan**, lalu Tambah.** **Dari daftar, pilih **Deteksi anomali** dan Pilih.**
1. Ikuti prompt layar pada widget baru, yang memberitahu Anda untuk memilih bidang untuk wawasan. Tambahkan setidaknya satu tanggal, satu ukuran, dan satu dimensi.
1. Pilih **Mulai** di widget. Layar konfigurasi muncul.
1. Di bawah **Opsi komputasi**, pilih nilai untuk opsi berikut.
1. **Untuk Kombinasi yang akan dianalisis**, pilih salah satu opsi berikut:
1. **Hirarkis**
Pilih opsi ini jika Anda ingin menganalisis bidang secara hierarkis. Misalnya, jika Anda memilih tanggal (T), ukuran (N), dan tiga kategori dimensi (C1, C2, dan C3), Quick Sight menganalisis bidang secara hierarkis, seperti yang ditunjukkan berikut.
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
```
1. **Tepat**
Pilih opsi ini jika Anda ingin menganalisis hanya kombinasi bidang yang tepat di bidang Kategori dengan baik, seperti yang tercantum. Misalnya, jika Anda memilih tanggal (T), ukuran (N), dan tiga kategori dimensi (C1, C2, dan C3), Quick Sight hanya menganalisis kombinasi yang tepat dari bidang kategori dalam urutan mereka terdaftar, seperti yang ditunjukkan berikut.
```
T-C1-C2-C3-N
```
1. **Semua**
Pilih opsi ini jika Anda ingin menganalisis semua kombinasi bidang di bidang Kategori dengan baik. Misalnya, jika Anda memilih tanggal (T), ukuran (N), dan tiga kategori dimensi (C1, C2, dan C3), Quick Sight menganalisis semua kombinasi bidang, seperti yang ditunjukkan berikut.
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N, T-C1-C3-N, T-C2-N, T-C2-C3-N, T-C3-N
```
Jika Anda memilih tanggal dan ukuran saja, Quick Sight menganalisis bidang berdasarkan tanggal dan kemudian dengan ukuran.
Di bagian **Bidang yang akan dianalisis**, Anda dapat melihat daftar bidang dari sumur lapangan untuk referensi.
1. Untuk **Nama**, masukkan nama alfanumerik deskriptif tanpa spasi, atau pilih nilai default. Ini memberikan nama untuk perhitungan.
Jika Anda berencana mengedit narasi yang secara otomatis ditampilkan pada widget, Anda dapat menggunakan nama untuk mengidentifikasi perhitungan widget ini. Sesuaikan nama jika Anda berencana untuk mengedit autonarrative dan jika Anda memiliki perhitungan serupa lainnya dalam analisis Anda.
1. Di bagian **Opsi tampilan**, pilih opsi berikut untuk menyesuaikan apa yang ditampilkan di widget wawasan Anda. Anda masih dapat menjelajahi semua hasil Anda, apa pun yang Anda tampilkan.
1. **Jumlah maksimum anomali untuk ditampilkan** - Jumlah outlier yang ingin Anda tampilkan di widget naratif.
1. **Tingkat keparahan** - Tingkat keparahan minimum untuk anomali yang ingin Anda tampilkan di widget wawasan.
*Tingkat keparahan* adalah kisaran skor anomali yang ditandai dengan skor anomali aktual terendah yang termasuk dalam kisaran tersebut. Semua anomali yang mendapat skor lebih tinggi termasuk dalam kisaran. Jika Anda menyetel tingkat keparahan ke **Rendah**, wawasan menampilkan semua anomali yang berperingkat antara rendah dan sangat tinggi. Jika Anda mengatur tingkat keparahannya ke **Sangat tinggi**, wawasan hanya menampilkan anomali yang memiliki skor anomali tertinggi.
Anda dapat menggunakan opsi berikut:
+ **Sangat tinggi**
+ **Tinggi dan di atas**
+ **Sedang dan di atas**
+ **Rendah dan di atas**
1. **Arah** — Arah pada sumbu x atau sumbu y yang ingin Anda identifikasi sebagai anomali. Anda dapat memilih dari opsi berikut:
+ **Lebih tinggi dari yang diharapkan** untuk mengidentifikasi nilai yang lebih tinggi sebagai anomali.
+ **Lebih rendah dari yang diharapkan** untuk mengidentifikasi nilai yang lebih rendah sebagai anomali.
+ **[ALL]** untuk mengidentifikasi semua nilai anomali, tinggi dan rendah (pengaturan default).
1. **Delta** — Masukkan nilai kustom yang akan digunakan untuk mengidentifikasi anomali. Jumlah apa pun yang lebih tinggi dari nilai ambang dianggap sebagai anomali. Nilai-nilai di sini mengubah cara kerja wawasan dalam analisis Anda. Di bagian ini, Anda dapat mengatur yang berikut:
+ **Nilai absolut** — Nilai aktual yang digunakan. Misalnya, anggaplah ini 48. Amazon Quick Sight kemudian mengidentifikasi nilai sebagai anomali ketika perbedaan antara nilai dan nilai yang diharapkan lebih besar dari 48.
+ **Persentase** — Persentase ambang batas untuk digunakan. Misalnya, anggaplah ini adalah 12,5%. Amazon Quick Sight kemudian mengidentifikasi nilai sebagai anomali ketika perbedaan antara nilai dan nilai yang diharapkan lebih besar dari 12,5%.
1. **Urutkan berdasarkan** - Pilih metode pengurutan untuk hasil Anda. Beberapa metode didasarkan pada skor anomali yang dihasilkan Amazon Quick Sight. Amazon Quick Sight memberikan skor yang lebih tinggi ke titik data yang terlihat anomali. Anda dapat menggunakan salah satu opsi berikut:
+ **Skor anomali tertimbang — Skor** anomali dikalikan dengan log nilai absolut dari perbedaan antara nilai aktual dan nilai yang diharapkan. Skor ini selalu angka positif.
+ **Skor anomali — Skor** anomali aktual yang ditetapkan untuk titik data ini.
+ **Perbedaan tertimbang dari nilai yang diharapkan** — Skor anomali dikalikan dengan selisih antara nilai aktual dan nilai yang diharapkan (default).
+ **Perbedaan dari nilai yang diharapkan** — Perbedaan aktual antara nilai aktual dan nilai yang diharapkan (yaitu, aktual-diharapkan).
+ **Nilai aktual** - Nilai aktual tanpa rumus yang diterapkan.
1. Di bagian **Opsi jadwal**, atur jadwal untuk menjalankan perhitungan ulang wawasan secara otomatis. Jadwal hanya berjalan untuk dasbor yang diterbitkan. Dalam analisis, Anda dapat menjalankannya secara manual sesuai kebutuhan. Penjadwalan mencakup pengaturan berikut:
+ **Kejadian** — Seberapa sering Anda ingin perhitungan ulang berjalan: setiap jam, setiap hari, setiap minggu, atau setiap bulan.
+ **Mulai jadwal pada** — Tanggal dan waktu untuk mulai menjalankan jadwal ini.
+ **Timezone** — Zona waktu di mana jadwal berjalan. Untuk melihat daftar, hapus entri saat ini.
1. Di **bagian Kontributor teratas**, atur Amazon Quick Sight untuk menganalisis driver utama saat outlier (anomali) terdeteksi.
Misalnya, Amazon Quick Sight dapat menunjukkan kepada pelanggan teratas yang berkontribusi pada lonjakan penjualan di AS untuk produk perbaikan rumah. Anda dapat menambahkan hingga empat dimensi dari kumpulan data Anda. Ini termasuk dimensi yang tidak Anda tambahkan ke sumur bidang widget wawasan ini.
Untuk daftar dimensi yang tersedia untuk analisis kontribusi, pilih **Pilih bidang**.
1. Pilih **Simpan** untuk mengonfirmasi pilihan Anda. Pilih **Batal** untuk keluar tanpa menyimpan.
1. Dari widget wawasan, pilih **Jalankan sekarang** untuk menjalankan deteksi anomali dan melihat wawasan Anda.
Jumlah waktu yang dibutuhkan detekton anomali untuk menyelesaikan bervariasi tergantung pada berapa banyak titik data unik yang Anda analisis. Prosesnya bisa memakan waktu beberapa menit untuk jumlah poin minimum, atau bisa memakan waktu berjam-jam.
Saat berjalan di latar belakang, Anda dapat melakukan pekerjaan lain dalam analisis Anda. Pastikan untuk menunggu sampai selesai sebelum Anda mengubah konfigurasi, mengedit narasi, atau membuka halaman **Jelajahi anomali** untuk wawasan ini.
Widget wawasan harus dijalankan setidaknya sekali sebelum Anda dapat melihat hasilnya. Jika menurut Anda statusnya mungkin kedaluwarsa, Anda dapat me-refresh halaman. Wawasan dapat memiliki keadaan berikut.
| Muncul di Halaman | Status |
| --- | --- |
| Jalankan tombol sekarang | Pekerjaan belum dimulai. |
| Pesan tentang Menganalisis anomali | Pekerjaan saat ini sedang berjalan. |
| Narasi tentang anomali yang terdeteksi (outlier) | Pekerjaan telah berjalan dengan sukses. Pesan mengatakan kapan perhitungan widget ini terakhir diperbarui. |
| Ikon peringatan dengan tanda seru (\$1 ) | Ikon ini menunjukkan ada kesalahan selama proses terakhir. Jika narasi juga ditampilkan, Anda masih dapat menggunakan anomali Jelajahi untuk menggunakan data dari proses sukses sebelumnya. |
# Menggunakan analisis kontribusi untuk driver utama
Amazon Quick Sight dapat mengidentifikasi dimensi (kategori) yang berkontribusi pada outlier dalam ukuran (metrik) antara dua titik waktu. Pendorong utama yang berkontribusi pada outlier membantu Anda menjawab pertanyaan: Apa yang menyebabkan anomali ini?
Jika Anda sudah menggunakan deteksi anomali tanpa analisis kontribusi, Anda dapat mengaktifkan wawasan ML yang ada untuk menemukan driver utama. Gunakan prosedur berikut untuk menambahkan analisis kontribusi dan mengidentifikasi pendorong utama di balik outlier. Wawasan Anda untuk deteksi anomali perlu menyertakan bidang waktu dan setidaknya satu metrik agregat (SUM, AVERAGE, atau COUNT). Anda dapat menyertakan beberapa kategori (bidang dimensi) jika diinginkan, tetapi Anda juga dapat menjalankan analisis kontribusi tanpa menentukan kategori atau bidang dimensi apa pun.
Anda juga dapat menggunakan prosedur ini untuk mengubah atau menghapus bidang sebagai driver utama dalam deteksi anomali Anda.
**Untuk menambahkan analisis kontribusi untuk mengidentifikasi pendorong utama**
1. Buka analisis Anda dan temukan wawasan ML yang ada untuk deteksi anomali. Pilih widget wawasan untuk menyorotnya.
1. Pilih **Menu Options** (**...**) dari menu pada visual.
1. Pilih **Konfigurasi anomali** untuk mengedit pengaturan.
1. Pengaturan **analisis Kontribusi (opsional)** memungkinkan Amazon Quick Sight untuk menganalisis driver utama ketika outlier (anomali) terdeteksi. Misalnya, Amazon Quick Sight dapat menunjukkan kepada Anda pelanggan teratas yang berkontribusi pada lonjakan penjualan di AS untuk produk perbaikan rumah. Anda dapat menambahkan hingga empat dimensi dari kumpulan data Anda, termasuk dimensi yang tidak Anda tambahkan ke sumur bidang widget wawasan ini.
Untuk melihat daftar dimensi yang tersedia untuk analisis kontribusi, pilih **Pilih bidang**.
Jika Anda ingin mengubah bidang yang Anda gunakan sebagai driver utama, ubah bidang yang diaktifkan dalam daftar ini. Jika Anda menonaktifkan semuanya, Quick Sight tidak akan melakukan analisis kontribusi apa pun dalam wawasan ini.
1. Untuk menyimpan perubahan Anda, gulir ke bagian bawah opsi konfigurasi, dan pilih **Simpan**. Untuk keluar tanpa menyimpan, pilih **Batal**. Untuk menghapus pengaturan ini sepenuhnya, pilih **Hapus**.
# Menjelajahi outlier dan pendorong utama dengan deteksi anomali bertenaga ML dan analisis kontribusi
Anda dapat secara interaktif menjelajahi anomali (juga dikenal sebagai outlier) dalam analisis Anda, bersama dengan kontributor (pendorong utama). Analisis ini tersedia untuk Anda jelajahi setelah deteksi anomali bertenaga ML berjalan. Perubahan yang Anda buat di layar ini tidak disimpan saat Anda kembali ke analisis.
Untuk memulai, pilih **Jelajahi anomali** dalam wawasan. Tangkapan layar berikut menunjukkan layar anomali seperti yang muncul saat Anda pertama kali membukanya. Dalam contoh ini, analisis kontributor diatur dan menunjukkan dua pendorong utama.
![\[Analisis anomali dengan kontributor ditampilkan.\]](http://docs.aws.amazon.com/id_id/quick/latest/userguide/images/anomaly-exploration-v2.png)
Bagian layar meliputi yang berikut, dari kiri atas ke kanan bawah:
+ **Kontributor** menampilkan driver kunci. Untuk melihat bagian ini, Anda harus menyiapkan kontributor dalam konfigurasi anomali Anda.
+ **Kontrol** berisi pengaturan untuk eksplorasi anomali.
+ **Jumlah anomali** menampilkan outlier terdeteksi dari waktu ke waktu. Anda dapat menyembunyikan atau menampilkan bagian bagan ini.
+ **Nama bidang Anda** untuk bidang kategori atau dimensi bertindak sebagai judul untuk bagan yang menunjukkan anomali untuk setiap kategori atau dimensi.
Bagian berikut memberikan informasi rinci untuk setiap aspek penjelajahan anomali.
**Topics**
+ [Menjelajahi kontributor (driver utama)](exploring-anomalies-key-drivers.md)
+ [Mengatur kontrol untuk deteksi anomali](exploring-anomalies-controls.md)
+ [Menampilkan dan menyembunyikan anomali berdasarkan tanggal](exploring-anomalies-by-date.md)
+ [Menjelajahi anomali per kategori atau dimensi](exploring-anomalies-per-category-or-dimension.md)
# Menjelajahi kontributor (driver utama)
Jika wawasan anomali Anda diatur untuk mendeteksi driver utama, Quick Sight menjalankan analisis kontribusi untuk menentukan kategori (dimensi) mana yang memengaruhi outlier. Bagian **Kontributor** muncul di sebelah kiri.
**Kontributor** berisi bagian-bagian berikut:
+ **Narasi** — Di kiri atas, ringkasan menjelaskan setiap perubahan dalam metrik.
+ **Konfigurasi kontributor teratas** — Pilih **Konfigurasi** untuk mengubah kontributor dan rentang tanggal yang akan digunakan di bagian ini.
+ **Urutkan berdasarkan** - Menetapkan pengurutan yang diterapkan pada hasil yang muncul di bawah ini. Anda dapat memilih dari opsi berikut:
+ **Perbedaan absolut**
+ **Persentase kontribusi** (default)
+ **Penyimpangan dari yang diharapkan**
+ **Perbedaan persentase**
+ **Hasil kontributor teratas** - Menampilkan hasil analisis kontributor teratas untuk titik waktu yang dipilih pada garis waktu di sebelah kanan.
Analisis kontribusi mengidentifikasi hingga empat faktor utama yang berkontribusi atau pendorong utama anomali. Misalnya, Amazon Quick Sight dapat menunjukkan kepada Anda pelanggan teratas yang berkontribusi pada lonjakan penjualan di AS untuk produk kesehatan. Panel ini hanya muncul jika Anda memilih untuk menyertakan bidang dalam analisis kontribusi saat Anda mengonfigurasi anomali.
Jika Anda tidak melihat panel ini dan ingin menampilkannya, Anda dapat menyalakannya. Untuk melakukannya, buka analisis, pilih konfigurasi anomali dari menu wawasan, dan pilih hingga empat bidang untuk dianalisis untuk kontribusi. Jika Anda membuat perubahan pada kontrol lembar yang mengecualikan driver yang berkontribusi, panel **Kontribusi** akan ditutup.
# Mengatur kontrol untuk deteksi anomali
Anda dapat menemukan pengaturan untuk deteksi anomali di bagian **Kontrol** layar. Anda dapat membuka dan menutup bagian ini dengan mengklik kata **Kontrol**.
Pengaturannya meliputi yang berikut:
+ **Kontrol** - Pengaturan saat ini muncul di bagian atas ruang kerja. Anda dapat memperluas bagian ini dengan memilih ikon panah ganda di sisi kanan. Pengaturan berikut tersedia untuk menjelajahi outlier yang dihasilkan oleh deteksi anomali bertenaga ML:
+ **Keparahan** — Mengatur seberapa sensitif detektor Anda terhadap anomali yang terdeteksi (outlier). **Anda harus berharap untuk melihat lebih banyak anomali dengan ambang batas diatur ke **Rendah dan di atas, dan** lebih sedikit anomali ketika ambang batas diatur ke Tinggi dan di atas.** Sensitivitas ini ditentukan berdasarkan standar deviasi skor anomali yang dihasilkan oleh algoritma RCF. Defaultnya adalah **Medium dan di atas**.
+ **Arah** — Arah pada sumbu x atau sumbu y yang ingin Anda identifikasi sebagai anomali. Defaultnya adalah [ALL]. Anda dapat memilih yang berikut ini:
+ Setel ke **Lebih Tinggi dari yang diharapkan** untuk mengidentifikasi nilai yang lebih tinggi sebagai anomali.
+ Setel ke **Lebih rendah dari yang diharapkan** untuk mengidentifikasi nilai yang lebih rendah sebagai anomali.
+ Setel ke **[ALL]** untuk mengidentifikasi semua nilai anomali, baik tinggi maupun rendah.
+ **Minimum Delta - nilai absolut** - Masukkan nilai kustom untuk digunakan sebagai ambang absolut untuk mengidentifikasi anomali. Jumlah apa pun yang lebih tinggi dari nilai ini dianggap sebagai anomali.
+ **Minimum Delta - persentase** - Masukkan nilai kustom untuk digunakan sebagai ambang persentase untuk mengidentifikasi anomali. Jumlah apa pun yang lebih tinggi dari nilai ini dianggap sebagai anomali.
+ **Urutkan berdasarkan** - Pilih metode yang ingin Anda terapkan untuk mengurutkan anomali. Ini tercantum dalam urutan yang disukai di layar. Lihat daftar berikut untuk deskripsi masing-masing metode.
+ **Skor anomali tertimbang — Skor** anomali dikalikan dengan log nilai absolut dari perbedaan antara nilai aktual dan nilai yang diharapkan. Skor ini selalu angka positif.
+ **Skor anomali — Skor** anomali aktual yang ditetapkan untuk titik data ini.
+ **Perbedaan tertimbang dari nilai yang diharapkan** — (Default) Skor anomali dikalikan dengan selisih antara nilai aktual dan nilai yang diharapkan.
+ **Perbedaan dari nilai yang diharapkan** — Perbedaan aktual antara nilai aktual dan nilai yang diharapkan (aktual-diharapkan).
+ **Nilai aktual** - Nilai aktual tanpa rumus yang diterapkan.
+ **Kategori** — Satu atau lebih pengaturan dapat muncul di akhir pengaturan lainnya. Ada satu untuk setiap bidang kategori yang Anda tambahkan ke bidang kategori dengan baik. Anda dapat menggunakan pengaturan kategori untuk membatasi data yang ditampilkan di layar.
# Menampilkan dan menyembunyikan anomali berdasarkan tanggal
Bagan **Jumlah anomali** menunjukkan outlier terdeteksi dari waktu ke waktu. Jika Anda tidak melihat bagan ini, Anda dapat menampilkannya dengan memilih **TAMPILKAN ANOMALI BERDASARKAN TANGGAL.**
Bagan ini menunjukkan anomali (outlier) untuk titik data terbaru dalam deret waktu. Ketika diperluas, ini menampilkan komponen-komponen berikut:
+ **Anomali** — Bagian tengah layar menampilkan anomali untuk titik data terbaru dalam deret waktu. Satu atau lebih grafik muncul dengan bagan yang menunjukkan variasi dalam metrik dari waktu ke waktu. Untuk menggunakan grafik ini, pilih titik di sepanjang garis waktu. Titik waktu yang dipilih saat ini disorot dalam grafik, dan menyertakan menu yang menawarkan Anda opsi untuk menganalisis kontribusi ke metrik saat ini. Anda juga dapat menyeret kursor ke garis waktu tanpa memilih titik tertentu untuk menampilkan nilai metrik untuk titik waktu tersebut.
+ **Anomali berdasarkan tanggal** — Jika Anda memilih **TAMPILKAN ANOMALI BERDASARKAN TANGGAL**, grafik lain muncul yang menunjukkan berapa banyak anomali signifikan yang ada untuk setiap titik waktu. Anda dapat melihat detail dalam bagan ini pada menu konteks setiap bar.
+ **Penyesuaian garis waktu** - Setiap grafik memiliki alat penyesuaian garis waktu di bawah tanggal, yang dapat Anda gunakan untuk mengompres, memperluas, atau memilih periode waktu untuk dilihat.
# Menjelajahi anomali per kategori atau dimensi
Bagian utama layar **Jelajahi anomali** terkunci di kanan bawah layar. Tetap di sini tidak peduli berapa banyak bagian lain dari layar yang terbuka. Jika ada beberapa anomali, Anda dapat menggulir keluar untuk menyorotnya. Bagan menampilkan anomali dalam rentang warna dan menunjukkan di mana mereka terjadi selama periode waktu tertentu.
![\[Jelajahi layar anomali.\]](http://docs.aws.amazon.com/id_id/quick/latest/userguide/images/anomaly-exploration-1.png)
Setiap kategori atau dimensi memiliki bagan terpisah yang menggunakan nama bidang sebagai judul bagan. Setiap bagan berisi komponen-komponen berikut:
+ **Konfigurasikan peringatan** — Jika Anda menjelajahi anomali dari dasbor, pilih tombol ini untuk berlangganan peringatan dan analisis kontribusi (jika dikonfigurasi). Anda dapat mengatur peringatan untuk tingkat keparahan (sedang, tinggi, dan sebagainya). Anda bisa mendapatkan lima peringatan teratas untuk **Lebih Tinggi dari yang diharapkan, Lebih** **rendah dari yang diharapkan**, atau SEMUA. Pembaca dasbor dapat mengonfigurasi peringatan untuk diri mereka sendiri. Jika Anda membuka halaman **Jelajahi Anomali** tidak akan menampilkan tombol ini jika Anda membuka halaman dari analisis.
**catatan**
Kemampuan untuk mengonfigurasi peringatan hanya tersedia di dasbor yang diterbitkan.
+ **Status** - Di bawah header **Anomali**, label status menampilkan informasi tentang proses terakhir. Misalnya, Anda mungkin melihat “Anomali untuk Pendapatan pada 17 November 2018.” Label ini memberi tahu Anda berapa banyak metrik yang diproses dan berapa lama yang lalu. Anda dapat memilih tautan untuk mempelajari lebih lanjut tentang detailnya, seperti berapa banyak metrik yang diabaikan.