Deteksi Anomali dalam Sistem Keamanan Jaringan Menggunakan Teknik Supervised Machine Learning

Abstract

Seiring dengan meningkatnya kompleksitas serta frekuensi serangan siber, kebutuhan akan sistem deteksi anomali yang akurat dan andal dalam lingkungan jaringan komputer menjadi semakin penting. Penelitian ini mengusulkan pendekatan supervised machine learning dengan algoritma Random Forest untuk mendeteksi aktivitas anomali dalam jaringan. Dataset CICIDS2017 digunakan sebagai landasan pelatihan dan pengujian, karena mencerminkan karakteristik lalu lintas jaringan aktual dan mencakup beragam jenis serangan siber. Tahapan dalam penelitian ini meliputi proses prapemrosesan data, seleksi fitur, pelatihan model, serta evaluasi kinerja menggunakan metrik standar seperti akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model Random Forest berhasil mencapai tingkat akurasi sebesar 99,8%, dengan nilai presisi dan recall yang tinggi, yang mencerminkan efektivitas model dalam membedakan antara lalu lintas normal dan anomali. Penelitian ini mengindikasikan bahwa algoritma Random Forest memiliki potensi yang signifikan untuk diterapkan dalam sistem deteksi intrusi secara real-time. Selain itu, penelitian ini memberikan kontribusi terhadap pengembangan solusi keamanan jaringan yang berbasis kecerdasan buatan yang adaptif, efisien, dan skalabel.