PENGEMBANGAN ALGORITMA MACHINE LEARNING UNTUK MENDETEKSI ANOMALI DALAM JARINGAN KOMPUTER
DOI:
https://doi.org/10.31004/jrpp.v7i1.25176Keywords:
Machine Learning, Deteksi Anomali, Keamanan Jaringan Komputer, Integrasi Teknologi Terkini.Abstract
Penelitian ini menggali perkembangan terkini dalam pengembangan algoritma machine learning untuk mendeteksi anomali dalam jaringan komputer. Studi literatur yang mendalam mengidentifikasi berbagai metode, dari pendekatan berbasis statistik hingga teknik pengklasifikasi dan clustering. Analisis literatur membahas kelebihan dan kelemahan masing-masing metode, sambil menyoroti kompleksitas serta tantangan yang dihadapi dalam mendeteksi serangan yang semakin canggih. Pentingnya evaluasi performa dengan metrik yang tepat, seperti akurasi, sensitivitas, dan spesifisitas, menjadi fokus utama dalam memahami efektivitas algoritma deteksi anomali. Hasil penelitian memberikan wawasan tentang trade-off antara keakuratan dan efisiensi komputasi, membuka pintu untuk pengembangan algoritma yang dapat memberikan keseimbangan optimal. Saran untuk penelitian selanjutnya mencakup eksplorasi lebih lanjut terhadap integrasi teknik deep learning dan uji coba pada dataset yang lebih bervariasi. Pengembangan algoritma yang adaptif terhadap perubahan taktik penyerangan juga diusulkan sebagai langkah proaktif dalam menghadapi evolusi serangan. Penelitian ini memiliki implikasi positif terhadap keamanan jaringan komputer, dengan kontribusi pada pemahaman mendalam tentang metode deteksi anomali yang dapat memberikan perlindungan yang lebih efektif. Kesimpulan menegaskan bahwa pemahaman lebih lanjut terhadap aspek teknis dan implementasi praktis algoritma machine learning dapat memperkuat pertahanan terhadap serangan anomali di lingkungan jaringan komputer.References
Anggraeni, I., & Andriani, S. (2021). Implementasi algoritma c. 45 untuk klasifikasi deteksi serangan pada protokol jaringan. Komputasi: Jurnal Ilmiah Ilmu Komputer Dan Matematika, 18(2), 62–68.
Devia, A., & Soewito, B. (2023). Analisis Perbandingan Metode Seleksi Fitur untuk Mendeteksi Anomali pada Dataset CIC-IDS-2018. Jurnal Teknologi Dan Sistem Informasi Bisnis, 5(4), 572–578.
Faiz, M. N., Somantri, O., Supriyono, A. R., & Muhammad, A. W. (2022). Impact of feature selection methods on machine learning-based for detecting DDoS attacks: Literature review. Journal of Informatics and Telecommunication Engineering, 5(2), 305–314.
Fibrianda, M. F., & Bhawiyuga, A. (2018). Analisis Perbandingan Akurasi Deteksi Serangan Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support Vector Machine (SVM). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(9), 3112–3123.
Firdaus, D., Fahira, F., & Rianti, R. (2023). DETEKSI ANOMALI DAN SERANGAN LOW RATE DDOS DALAM LALU LINTAS JARINGAN MENGGUNAKAN NAIVE BAYES. Naratif: Jurnal Nasional Riset, Aplikasi Dan Teknik Informatika, 5(2), 140–148.
Hajizah, T. D., Purwanto, Y., & Setianingsih, C. (2017). Algoritma Fuzzy Dan Reinforcement Learning Dalam Pengambilan Keputusan. EProceedings of Engineering, 4(3).
Hermawan, F. N. (2022). Deteksi anomali pada data internet of things menggunakan model ensemble learning. Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta.
Mahendra, I. (2019). INTRUSION DETECTION AND PREVENTION SYSTEM BERBASIS MACHINE LEARNING PADA SOFTWARE DEFINED NETWORK DENGAN ALGORITMA ADABOOST CLASSIFIER. UPN Veteran Yogyakarta.
Munawar, Z., & Putri, N. I. (2020). Keamanan IoT Dengan Deep Learning dan Teknologi Big Data. TEMATIK, 7(2), 161–185.
Nihri, H., Pramukantoro, E. S., & Trisnawan, P. H. (2018). Pengembangan IDS Berbasis J48 Untuk Mendeteksi Serangan DoS Pada Perangkat Middleware IoT. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(12), 6902–6907.
Nururrahmah, A. T. (2023). Pengembangan Metode Seleksi Fitur Berbasis Chi-Square dan Algoritma Exhaustive untuk Meningkatkan Performa Deteksi pada Jaringan Komputer. Institut Teknologi Sepuluh Nopember.
NURYASIN, M. F., MACHBUB, C., & YULIANTI, L. (2023). Kombinasi Deteksi Objek, Pengenalan Wajah dan Perilaku Anomali menggunakan State Machine untuk Kamera Pengawas. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 11(1), 86.
Riza, F. (2023). Sistem Deteksi Intrusi pada Server secara Realtime Menggunakan Seleksi Fitur dan Firebase Cloud Messaging. Jurnal Sistim Informasi Dan Teknologi, 7–15.
Salimuka, R. F. (2017). Deteksi Anomaly Host Based Network Menggunakan Artificial Neural Network. Program Studi Teknik Informatika FTI-UKSW.
Setya Wijaya, E. (2012). DETEKSI ANOMALI TRAFIK JARINGAN DENGAN MENGGUNAKAN METODE DECISION TREE. Universitas Dian Nuswantoro.
Situmorang, S., & Yahfizham, Y. (2023). Analisis Kinerja Algoritma Machine Learning Dalam Deteksi Anomali Jaringan. Konstanta: Jurnal Matematika Dan Ilmu Pengetahuan Alam, 1(4), 258–269.
Sudiyarno, R., Setyanto, A., & Luthfi, E. T. (2021). Peningkatan Performa Pendeteksian Anomali Menggunakan Ensemble Learning dan Feature Selection. Creative Information Technology Journal, 7(1), 1–9.
Wibisono, L. (2023). Perancangan dan Implementasi Sistem Pendeteksian Intrusi Menggunakan Teknologi Big Data dan Machine Learning.
Wirawan, I. N. T., & Eksistyanto, I. (2015). Penerapan naive bayes pada intrusion detection system dengan diskritisasi variabel. Jurnal Ilmiah Teknologi Informasi, 13(2), 182–189.
Zy, A., Sasongko, A. T., & Kamalia, A. Z. (2023). Penerapan Naïve Bayes Classifier, Support Vector Machine, dan Decision Tree untuk Meningkatkan Deteksi Ancaman Keamanan Jaringan. KLIK: Kajian Ilmiah Informatika Dan Komputer, 4(1), 610–617.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Grace Martha Geertruida Bororing
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
