Avec la croissance de l'ère numérique, les données sont largement disponibles, de sorte que la recherche de connaissances à partir de ces données est effectuée par des algorithmes d'exploration de données. Parmi les différents algorithmes d'exploration de données, la détection des valeurs aberrantes est cruciale, car leur présence dégrade l'efficacité du système. La majorité des recherches se sont limitées à la détection des valeurs aberrantes dans un seul univers avec une seule granulation pour les données numériques ou catégorielles. Les algorithmes existants de détection des valeurs aberrantes par apprentissage automatique fonctionnent bien pour les données quantitatives, mais ils ne sont pas directement appliqués aux données qualitatives, vagues et imprécises, ce qui produit des résultats inefficaces. Il existe également des informations ambiguës, incertaines, incomplètes et indéterminées qui persistent dans le monde réel. Ces problèmes sont traités dans ce travail de recherche à l'aide de la théorie des ensembles rugueux, des ensembles flous intuitionnistes et des ensembles neutrosophiques. La méthodologie proposée, la méthode de détection des valeurs aberrantes à densité pondérée basée sur l'entropie grossière, a été conçue pour détecter les valeurs aberrantes dans divers systèmes d'information.