Deteksi Serangan Siber Menggunakan Machine Learning Pada Jaringan Komputer

Abstract

Serangan siber pada jaringan komputer semakin kompleks dan sulit dideteksi menggunakan metode berbasis aturan (rule-based) konvensional. Machine learning menawarkan pendekatan berbasis data yang mampu mengidentifikasi pola serangan secara otomatis dan adaptif. Penelitian ini mengusulkan sistem deteksi intrusi jaringan (NIDS) berbasis machine learning menggunakan tiga algoritma: Random Forest, K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Eksperimen dilakukan menggunakan dataset NSL-KDD dengan rekayasa fitur dan teknik SMOTE oversampling untuk menangani ketidakseimbangan kelas. Hasil evaluasi menunjukkan bahwa Random Forest mencapai performa terbaik dengan akurasi 98,76%, presisi 98,12%, recall 98,54%, dan F1-Score 98,33%, melampaui KNN (95,41%) dan SVM (93,87%). Sistem yang diusulkan menunjukkan potensi tinggi untuk diterapkan secara real-time pada jaringan perusahaan dan berkontribusi pada pengembangan sistem keamanan siber yang cerdas dan adaptif.