Kebanyakan pendekatan klasik untuk mendeteksi anomali bekerja dengan cara yang sama. Pelajari dulu seperti apa data yang "normal", lalu tandai apa pun yang menyimpang jauh dari situ sebagai anomali. Pendekatan ini masuk akal, tapi punya kelemahan. Mendefinisikan "normal" secara menyeluruh itu mahal secara komputasi, apalagi pada data berdimensi tinggi dengan jutaan baris.
Isolation Forest, algoritma yang diperkenalkan oleh Fei Tony Liu, Kai Ming Ting, dan Zhi-Hua Zhou pada 2008, membalik soal ini sepenuhnya. Alih-alih bertanya "seperti apa data normal itu?", algoritma ini malah bertanya "seberapa mudah sebuah titik data ini diasingkan dari yang lain?"
Cara kerja: memotong-motong ruang data secara acak
Bayangkan Anda punya setumpuk data, dan ingin mengisolasi satu titik tertentu. Caranya, pilih satu fitur (kolom) secara acak, lalu pilih nilai potongan (split) secara acak di antara nilai minimum dan maksimum fitur itu. Ulangi proses ini berkali-kali, memecah data menjadi kelompok yang makin kecil, sampai titik yang ingin diisolasi berdiri sendiri.
Di sinilah letak intuisi yang elegan. Titik data yang anomali, yang nilainya jauh berbeda dari mayoritas, cenderung bisa diisolasi hanya dengan sedikit potongan acak saja, karena ia sudah "terpisah" secara alami dari kerumunan. Sebaliknya, titik data yang normal butuh lebih banyak potongan untuk benar-benar terisolasi, sebab ia dikelilingi banyak titik lain yang mirip dengannya. Proses pemotongan acak yang diulang berkali-kali ini membentuk banyak "pohon isolasi" (isolation tree), dan kumpulan pohon itulah yang disebut Isolation Forest.
Anomaly score sebuah titik data pada akhirnya dihitung dari rata-rata panjang jalur yang dibutuhkan untuk mengisolasinya di seluruh pohon. Jalur pendek berarti mudah diasingkan, jadi skor anomalinya tinggi.
Kenapa pendekatan ini efisien
Isolation Forest tidak perlu menghitung jarak antar semua pasangan titik data, atau membangun model kepadatan yang rumit. Karena itu, algoritma ini relatif ringan secara komputasi dan bisa diterapkan pada data berskala besar dan berdimensi tinggi, situasi yang umum dijumpai pada data transaksi finansial dengan banyak variabel seperti nominal, komoditas, wilayah, dan waktu. Sifat inilah yang membuatnya dipakai luas di industri, mulai dari deteksi transaksi kartu kredit yang mencurigakan, deteksi kerusakan sensor pada sistem industri, sampai penyaringan awal pada log keamanan siber.
Satu algoritma, banyak konteks
Prinsip di balik Isolation Forest, bahwa yang anomali itu sedikit dan berbeda sehingga lebih mudah dipisahkan dari kerumunan dibanding didefinisikan secara eksplisit, sebenarnya adalah cara berpikir yang berguna jauh di luar satu domain saja. Ide yang sama relevan setiap kali sebuah sistem perlu menyaring sinyal langka dari lautan data yang sebagian besar wajar, sebelum sinyal itu ditinjau lebih lanjut oleh manusia yang memahami konteksnya.