Rekayasa Fitur Multi-Sensor untuk Deteksi Anomali Telemetri UAV Berbasis Machine Learning pada Industri Kreatif Digital
Keywords:
Deteksi Anomali, Industri Kreatif Digital, Local Outlier Factor, Rekayasa Fitur, Telemetri UAVAbstract
Kegagalan sistem Unmanned Aerial Vehicle (UAV) secara tiba-tiba merupakan tantangan kritis dalam operasional industri kreatif digital, khususnya pada aplikasi sinematografi udara dan dokumentasi budaya, karena dampaknya langsung terhadap keselamatan dan kontinuitas produksi. Metode pemantauan konvensional yang bersifat reaktif tidak mampu mendeteksi anomali secara dini sebelum kegagalan terjadi. Penelitian ini mengembangkan sistem deteksi anomali real-time berbasis machine learning dengan pendekatan rekayasa fitur multi-sensor pada data telemetri UAV. Metode yang digunakan adalah Local Outlier Factor (LOF) dengan konfigurasi 20 tetangga terdekat dan tingkat kontaminasi 0,2, diterapkan pada 42 fitur yang terdiri dari 36 fitur sensor mentah dan 6 fitur rekayasa meliputi standar deviasi putaran motor, ketidaksepakatan sensor ketinggian, konsumsi daya, serta statistik bergulir getaran dan giroskop. Model dilatih menggunakan 17.970 sampel data telemetri dengan rasio anomali 20,02%. Sistem mampu mendeteksi tiga jenis anomali, yaitu kegagalan motor, gangguan sensor, dan penurunan baterai mendadak. Hasil evaluasi menunjukkan ROC-AUC sebesar 88,73%, presisi 84,86%, recall 80,09%, dan F1-Score 82,41%. Sistem diimplementasikan dalam arsitektur full-stack dengan dasbor pemantauan berbasis React dan backend Flask yang memperbarui data setiap satu detik. Pendekatan ini menunjukkan performa yang cukup baik dalam mendukung keandalan operasional UAV pada industri kreatif digital Indonesia.
References
M. J. C. S. Reis and A. J. D. Reis, “Edge-Based Real-Time Fault Detection in UAV Systems via B-Spline Telemetry Reconstruction and Lightweight Hybrid AI,” pp. 1–19, 2025.
I. Bozcan and E. Kayacan, “UAV-AdNet : Unsupervised Anomaly Detection using Deep Neural Networks for Aerial Surveillance”.
Y. Liu, L. Lee, and K. Yeh, “Enhancing UAV Security with GPS Spoofing and Jamming Anomaly Detection,” pp. 54–67, 2025.
T. Knowledge and E. Review, “One-class classification : taxonomy of study and review of techniques,” vol. 29, no. January, pp. 345–374, 2014, doi: 10.1017/S026988891300043X.
D. Li, D. Chen, L. Shi, B. Jin, J. Goh, and S. Ng, “MAD-GAN : Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks,” pp. 1–17.
F. T. Liu, K. M. Ting, and Z.-H. Zhou, “Isolation Forest,” in 2008 Eighth IEEE International Conference on Data Mining, 2008, pp. 413–422. doi: 10.1109/ICDM.2008.17.
M. M. Breunig, H. Kriegel, R. T. Ng, and J. Sander, “LOF : Identifying Density-Based Local Outliers,” pp. 93–104, 2000.
D. M. J. TAX and R. P. W. DUIN, “Support Vector Data Description,” Mach. Learn., no. 54, pp. 45–66, 2004.
V. Bell, D. Rengasamy, B. Rothwell, and G. P. Figueredo, “Anomaly Detection for Unmanned Aerial Vehicle Sensor Data Using a Stacked Recurrent Autoencoder Method with Dynamic Thresholding”.
J. Wang, Q. Liao, Z. Gu, and L. Nie, “Anomaly detection of UAV flight data based on spatiotemporal feature fusion,” Appl. Soft Comput., vol. 197, p. 115131, 2026, doi: https://doi.org/10.1016/j.asoc.2026.115131.
W. Zhou, B. Li, and X. Zeng, “Intrusion detection model of UAV system based on machine learning and neural network,” Front. Phys., vol. Volume 13-2025, 2026, doi: 10.3389/fphy.2025.1660104.
C. G. Gascón, J. B. Bolufer, P. Castelló, J. Antonio, and G. Manrique, “An open benchmark dataset for machine learning and intelligent trajectory optimization in fixed-wing unmanned aerial systems,” pp. 1–18, 2026.
M. N. Mowla, D. Asadi, and F. Sohel, “Real-time fault detection in multirotor UAVs using lightweight deep learning and high-fidelity simulation data with single and double fault magnitudes,” Complex Intell. Syst., vol. 12, no. 2, p. 62, 2025, doi: 10.1007/s40747-025-02195-y.
