Skip ke Konten

Attura AI · Deteksi Anomali

Ribuan catatan HR. Satu yang tidak mengikuti pola.

Attura AI memakai Isolation Forest — metode deteksi anomali tanpa label — untuk menandai pola kehadiran, lembur, cuti, dan payroll yang menyimpang dari kebiasaan organisasi Anda.

AI menunjuk. HR yang memutuskan.

Segera · Dalam pengembangan
Lihat cara kerjanya Hubungi Kami

Data bertambah setiap hari. Meninjaunya satu per satu tidak.

HRIS Anda mencatat kehadiran, lembur, cuti, perjalanan dinas, dan payroll — ribuan baris baru setiap bulan.

Masalahnya bukan kekurangan data. Pola yang tidak biasa bisa tampak kecil ketika dilihat satu catatan pada satu waktu, dan review manual menjadi semakin sulit saat volume bertambah.

Deteksi anomali melihat lintas catatan sekaligus, lalu menyerahkan hasilnya kepada manusia.

Apa itu anomali?

Anomali hanyalah observasi yang tidak mengikuti pola observasi-observasi lain.

Jam masuk 13:47 di antara deretan 08:00-an bukan berarti pelanggaran. Ia sinyal untuk ditinjau — mungkin shift berubah, mungkin izin setengah hari, mungkin memang perlu dicek. Keputusannya tetap milik HR.

Cara kerjanya

Yang tidak biasa, lebih cepat terisolasi.

Isolation Forest tidak mencari "yang salah". Ia menarik garis-garis pemisah di posisi acak, lalu menghitung: berapa garis yang dibutuhkan sampai sebuah observasi berdiri sendiri?

  1. 1

    Mulai dari semua observasi

    Setiap titik adalah satu observasi dari data HRIS — misalnya pola lembur seorang karyawan pada satu periode.

  2. 2

    Model menarik garis acak

    Sebuah fitur dipilih acak, lalu sebuah nilai pemisah dipilih acak di antara nilai terkecil dan terbesarnya. Ruang terbelah dua.

  3. 3

    Garis demi garis

    Pembelahan berulang. Titik-titik yang berkerumun rapat sulit dipisahkan — mereka terus berbagi ruang dengan tetangganya.

  4. 4

    Yang jauh, cepat sendirian

    Observasi yang tidak biasa terkurung sendirian hanya dengan beberapa garis. Jumlah garis inilah "panjang path"-nya.

  5. 5

    Ratusan pohon, satu skor

    Proses diulang di banyak pohon acak. Rata-rata path yang pendek menghasilkan sinyal anomali yang tinggi — siap ditinjau HR.

Kenapa "isolasi"?

Titik A — di tengah kerumunan

9+ garis untuk memisahkannya

Ia terus berbagi ruang dengan banyak tetangga. Path-nya panjang — sinyal anomalinya rendah.

Titik B — jauh dari kerumunan

3 garis dan ia sendirian

Terisolasi cepat di hampir semua pohon acak. Path-nya pendek — sinyal anomalinya tinggi.

Intuisi ini — yang tidak biasa lebih mudah diisolasi — adalah seluruh dasar metode ini. Tanpa label, tanpa daftar aturan, tanpa definisi "salah".

Di dalam HRIS Anda

Model yang sama membaca empat domain data yang sudah ada di Attura. Selalu dengan pola yang sama: pola → sinyal → tinjauan HR.

Kehadiran

Pola
Sebagian besar karyawan memiliki ritme jam masuk dan lokasi yang stabil.
Sinyal
Satu pola kehadiran berubah drastis dari kebiasaannya sendiri dan kebiasaan timnya.
Tindakan HR
Buka catatan kehadiran dan konteksnya — shift, izin, penugasan.

Lembur

Pola
Lembur tim biasanya bergerak dalam rentang historis: 2h · 3h · 2.5h · 3h.
Sinyal
Satu periode mencatat 11h — jauh di luar pola historis siapa pun di tim itu.
Tindakan HR
Tinjau catatan lembur, pengajuan, persetujuan, dan konteks pekerjaannya.

Cuti

Pola
Perilaku cuti mengikuti pola musiman dan pola pribadi.
Sinyal
Kombinasi waktu dan frekuensi cuti tertentu menyimpang dari kedua pola itu.
Tindakan HR
Tinjau catatan cuti berikut konteks organisasi — proyek, musim, kebijakan.

Payroll

Pola
Komponen gaji mengikuti pola historis dan struktur organisasi.
Sinyal
Sebuah nilai atau kombinasi komponen berbeda signifikan dari pola yang dipelajari.
Tindakan HR
Tinjau slip, input, dan data sumbernya sebelum payroll berjalan.

Anomali bukan berarti fraud, bukan berarti karyawan bersalah, dan bukan berarti payroll pasti salah. Anomali adalah sinyal untuk meninjau. Angka pada visual di atas adalah contoh ilustratif.

Dari sinyal ke keputusan

  1. Data
  2. Model
  3. Sinyal anomali
  4. Tinjauan HR
  5. Keputusan

AI tidak mengambil keputusan HR. Tidak menyatakan karyawan bersalah. Tidak menggantikan penilaian manusia. Ia membantu memprioritaskan apa yang layak diperiksa lebih dulu.

Yang dilihat model, dan yang dilihat HR

Model

Sinyal anomali · pola lembur · periode Juli

Model tidak membaca cerita manusia. Ia membaca pola pada data yang diberikan kepadanya.

HR

  • Karyawan dan periode yang ditandai
  • Catatan sumber: lembur, pengajuan, persetujuan
  • Pola historis pembanding
  • Konteks: proyek, shift, kebijakan

Sinyal membuka konteks — konteks menghasilkan keputusan.

Sinyal, bukan vonis.

  • Tidak biasa tidak berarti salah.
  • Tidak biasa tidak berarti fraud atau pelanggaran.
  • Kualitas sinyal bergantung pada kualitas data.
  • Pola historis bisa mengandung noise dan bias.
  • Konteks manusia tetap esensial — karena itu setiap sinyal berhenti di meja HR, bukan di keputusan otomatis.
Untuk yang teknis: bagaimana Isolation Forest bekerja

Isolation Forest (Liu, Ting & Zhou, IEEE ICDM 2008) adalah metode deteksi anomali unsupervised. Setiap pohon isolasi dibangun dengan memilih fitur secara acak, lalu memilih nilai pemisah acak di antara nilai minimum dan maksimum fitur tersebut — berulang sampai observasi terisolasi.

Jumlah pemisahan yang dibutuhkan untuk mengisolasi sebuah observasi setara dengan panjang path dari akar ke daun pohon. Dirata-ratakan di banyak pohon acak (ensemble), path yang lebih pendek berarti observasi lebih mudah diisolasi — dan lebih mungkin merupakan anomali.

Skor yang dihasilkan adalah peringkat sinyal anomali, bukan probabilitas kesalahan. Ambang batas dan interpretasinya perlu dikontekstualisasikan pada data masing-masing organisasi.

Referensi: F. T. Liu, K. M. Ting, Z.-H. Zhou, "Isolation Forest", IEEE ICDM 2008 · dokumentasi scikit-learn: outlier detection.

Hadir di paket Advance

Attura AI sedang dalam pengembangan dan akan tersedia otomatis untuk pelanggan paket Advance saat dirilis — membaca data yang sudah ada di HRIS Anda.

Lihat Harga Jadwalkan Demo