Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Deteksi anomali bertenaga ML untuk outlier
<a name="anomaly-detection-function"></a>

Komputasi deteksi anomali bertenaga ML mencari data Anda untuk outlier. Misalnya, Anda dapat mendeteksi tiga outlier teratas untuk total penjualan pada 3 Januari 2019. Jika Anda mengaktifkan analisis kontribusi, Anda juga dapat mendeteksi driver utama untuk setiap outlier. 

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang **Waktu** dengan baik, setidaknya satu ukuran di bidang **Nilai** dengan baik, dan setidaknya satu dimensi di bidang **Kategori** dengan baik. Layar konfigurasi menyediakan opsi untuk menganalisis kontribusi bidang lain sebagai driver utama, bahkan jika bidang tersebut tidak berada di sumur lapangan.

Untuk informasi selengkapnya, lihat [Mendeteksi outlier dengan deteksi anomali bertenaga ML](anomaly-detection.md).

**catatan**  
Anda tidak dapat menambahkan deteksi anomali bertenaga ML ke komputasi lain, dan Anda tidak dapat menambahkan komputasi lain ke deteksi anomali.

## Output komputasi
<a name="anomaly-detection-computation-outputs"></a>

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri. 

Untuk menemukan parameter output, buka tab **Komputasi** di sebelah kanan, dan cari komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Anda dapat menggunakan item yang ditampilkan **`bold monospace font`**sebagai berikut dalam narasi. 
+ `timeField`Dari lapangan **Waktu** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `timeGranularity`— Perincian bidang waktu (**HARI**, **TAHUN**, dan sebagainya).
+ `categoryFields`— Dari bidang **Kategori** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
+ `metricField`— Dari bidang **Nilai** dengan baik.
  + `name`— Nama tampilan bidang yang diformat.
  + `aggregationFunction`— Agregasi yang digunakan untuk metrik (**SUM**, **AVG**, dan sebagainya).
+ `itemsCount`— Jumlah item yang termasuk dalam perhitungan ini.
+ `items`— Item anomali.
  + `timeValue`— Nilai dalam dimensi tanggal.
    + `value`— Bidang tanggal/waktu pada titik anomali (outlier).
    + `formattedValue`— Nilai yang diformat di date/time lapangan pada titik anomali.
  + `categoryName`— Nama sebenarnya dari kategori (cat1, cat2, dan sebagainya).
  + `direction`— Arah pada sumbu x atau sumbu y yang diidentifikasi sebagai anomali: atau. `HIGH` `LOW` `HIGH`berarti “lebih tinggi dari yang diharapkan.” `LOW` berarti “lebih rendah dari yang diharapkan.” 

    Saat iterasi pada item, `AnomalyDetection.items[index].direction` dapat berisi salah satu `HIGH` atau`LOW`. Misalnya, `AnomalyDetection.items[index].direction='HIGH'` atau`AnomalyDetection.items[index].direction=LOW`. `AnomalyDetection.direction`dapat memiliki string kosong untuk`ALL`. Contohnya adalah `AnomalyDetection.direction=''`. 
  + `actualValue`— Nilai aktual metrik pada titik anomali atau outlier.
    + `value`Nilai mentah.
    + `formattedValue`— Nilai yang diformat oleh bidang metrik.
    + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.
  + `expectedValue`— Nilai yang diharapkan metrik pada titik anomali (outlier).
    + `value`Nilai mentah.
    + `formattedValue`— Nilai yang diformat oleh bidang metrik.
    + `formattedAbsoluteValue`— Nilai absolut diformat oleh bidang metrik.