ABSTRAKSI: Data mining adalah metode pencarian informasi penting yang tersimpan dalam kumpulan data besar yang sudah tidak dipakai, informasi tersebut dicari dengan membuat dan menganalisis pola dari sekumpulan data besar. Pola yang terbentuk adalah hasil dari suatu proses algoritma dan dalam data mining banyak sekali metode atau algoritma yang digunakan. Pengembangan data mining sudah banyak digunakan di berbagai bidang seperti telekomunikasi, bioinformatika, ekonomi, dan lain-lain. Dalam tugas akhir ini, analisis dilakukan terhadap implementasi dari algoritma JST untuk mendeteksi outlier/anomaly, data mining difokuskan pada pencarian pola pada data yang tidak biasa atau data noise, algoritma jaringan syaraf tiruan kohonen digunakan untuk melakukan analisis clustering yaitu mengelompokan data berdasarkan tingkat kedekatanya dan mencari cluster kecil yang jauh dari cluster-cluster besar. Cluster kecil dan jauh didefinisikan sebagai outlier/anomaly. Bagi data yang sudah memiliki class ada evaluasi class pada cluster untuk menguji ketidak akuratan dan anomaly dari suatu cluster. Hasil percobaan adalah seberapa besar kemampuan dari algoritma JST Kohonen mampu mengenali anomaly dengan berbagai parameter yang berbeda. Parameter tersebut diantarnya learning rate, gaus, max epoh, dan jumlah cluster. Selain itu analisis class pada cluster menghasilkan analisis pada rare case anomaly.Kata Kunci : Data Mining, Clustering, Jaringan Syaraf Tiruan Kohonen, Outlier Detection, SOM. ivABSTRACT: Data mining is a method which search important information from large database which not use againt or not active, information that is searched by make and analisist pattern from big dataset. The pattern is result of an algorithm process and in data mining have a lot methods or algorithm which is used. Developing data mining has more used in several part like telecommunication, bioinformatics, economic, etc. Analyzing implementation from neural network algorithm for detect an outlier/anomaly, Data mining is focused to unsusal dataset or noise, with use neural network kohonen algorithm for clustering that is collect data based on distance and find small cluster which have long distance or far from other big cluster, this cluster is defined as outlier. For datas which have class lable will evaluate clusters base on class lable to find incorrectly and anomaly from some cluster. The result from this research is how big capability of kohonen neural network algorithm can find anomaly with try many different parameter like learning rate, neighbourhood, max epoch, and num cluster. Analisis of class to cluster resulting analisis to rare case anomaly.Keyword: Data Mining, Clustering, kohonen Neural Network, Outlier Detection, SOM.