🔬 Data Analytics

Dari angka mentah jadi insight: statistik, smoothing, anomali, dan tren.

Nilai di luar ±2σ dari rata-rata ditandai sebagai anomali

📌 1. Statistik Dasar untuk Data Sensor

Fungsi	Arti	Use Case IoT
`mean()`	Rata-rata	KPI, baseline
`stdev()`	Sebaran (standar deviasi)	Seberapa "stabil" sensor
`moving_average(v, w)`	Rata-rata bergerak jendela w	Smoothing noise
`zscore(v)`	Jarak tiap nilai dari mean (dalam σ)	Normalisasi untuk deteksi anomali
`detect_anomalies(v, t)`	Indeks nilai \|z\| > t	Sensor rusak, kejadian luar biasa
`linear_regression(v)`	Garis tren (slope, intercept)	Menghangat/mendingin, degradasi

📌 2. Smoothing: Moving Average

Data sensor berisik. Moving average dengan jendela w mengganti tiap nilai dengan rata-rata w nilai terakhir — kurva jadi halus, tapi lambat mengikuti perubahan nyata.

print("=== FILTER RATA-RATA BERGERAK (SMOOTHING) ===")
raw = [read_sensor("dht22_temp") for _ in range(20)]
ma3 = moving_average(raw, 3)
ma5 = moving_average(raw, 5)

print("%-8s %-8s %-8s" % ("RAW", "MA-3", "MA-5"))
print("-" * 28)
for i in range(len(raw)):
    print("%-8.2f %-8.2f %-8.2f" % (raw[i], ma3[i], ma5[i]))

print()
print("Noise raw   : %.3f" % stdev(raw))
print("Noise MA-5  : %.3f  (lebih kecil = lebih halus)" % stdev(ma5))

Output:

Bandingkan kolom RAW (bergetar) dengan MA-5 (halus). Ubah jendela ke 8 — makin halus, makin lambat.

📌 3. Deteksi Anomali (Z-Score)

Z-score mengukur seberapa jauh nilai dari rata-rata, dalam satuan standar deviasi. Nilai |z| > 2 (atau 3) dianggap sangat tidak biasa — kandidat anomali.

print("=== DETEKSI ANOMALI (Z-SCORE) ===")
values = [read_sensor("dht22_temp") for _ in range(20)]
values[12] = 45.0   # simulasi: sensor rusak / gangguan

z = zscore(values)
anomali = detect_anomalies(values, threshold=2.0)
print("Data  :", [round(v, 1) for v in values])
print("Anomali di indeks :", anomali)
print("Nilai anomali     :", [values[i] for i in anomali])
print("z-score anomali   : %.2f" % z[anomali[0]])
print()
print("Interpretasi: |z| > 2 → sangat tidak biasa,")
print("bukan fluktuasi normal. Tindak lanjut: cek sensor,")
print("abaikan nilai itu, atau picu investigasi.")

Output:

⚠️ Z-score asumsi data sebaran normal. Untuk data musiman (suhu harian naik-turun), pakai z-score terhadap baseline musiman atau metode lain (IQR, STL, model ML).

📌 4. Deteksi Tren (Regresi Linear)

Regresi linear mencari garis y = slope·x + intercept yang paling pas. Slope = arah & kecepatan tren.

print("=== DETEKSI TREN (REGRESI LINEAR) ===")
# Simulasi: suhu naik perlahan (mis. mesin mulai panas)
values = [read_sensor("dht22_temp") for _ in range(20)]
values = [v + i * 0.3 for i, v in enumerate(values)]  # tren +0.3°/sampel

slope, intercept = linear_regression(values)
print("Slope     : %+.3f °C per sampel" % slope)
print("Interpretasi: suhu %s sekitar %.2f° per sampel"
      % ("NAIK" if slope > 0 else "TURUN", abs(slope)))
print("Prediksi 10 sampel ke depan: %.1f°C"
      % (intercept + slope * 30))
print()
print("Use case: prediksi overheating, degradasi baterai,")
print("musim panen, proyeksi konsumsi energi.")

Output:

📌 5. Lanjutan: Menuju Machine Learning

Setelah statistik deskriptif, dunia ML untuk IoT:

Klasifikasi — normal vs anomali (Random Forest, Isolation Forest).
Forecasting — prediksi beban listrik 24 jam ke depan (ARIMA, Prophet, LSTM).
Predictive maintenance — prediksi kapan mesin gagal dari getaran/suhu.
Edge ML — model kecil (TFLite, TinyML) jalan di MCU, tanpa cloud.

💡 Statistik klasik (z-score, regresi) sering cukup dan jauh lebih murah daripada model ML — mulai dari yang sederhana.

🧠 Latihan

Ubah editor 2: suntik 2 anomali (indeks 5 dan 17). Pastikan keduanya terdeteksi.
Buat data dengan tren TURUN (v - i * 0.2) dan verifikasi slope negatif.
Hitung moving average dengan jendela 1, 5, dan 10. Bandingkan standar deviasi ketiganya — apa polanya?
Diskusi: sensor suhu ruang server. Threshold alarm apa yang masuk akal (mis. mean > 30° selama 5 menit)? Kenapa alarm "1 titik > 30°" adalah ide buruk? (Petunjuk: false alarm.)