DETEKSI SERANGAN JARINGAN MENGGUNAKAN METODE INTRUSION DETECTION SYSTEM BERBASIS MACHINE LEARNING

Abstrak

Meningkatnya serangan siber terhadap infrastruktur jaringan menuntut sistem deteksi intrusi (IDS) yang adaptif dan akurat. Metode konvensional berbasis signature sering gagal mendeteksi serangan baru (zero-day attack). Penelitian ini bertujuan mengimplementasikan dan menganalisis kinerja metode machine learning untuk deteksi serangan jaringan pada Intrusion Detection System. Dataset yang digunakan adalah CIC-IDS2017 yang mencakup berbagai jenis serangan seperti DDoS, Brute Force, dan Infiltrasi. Beberapa algoritma machine learning diuji, yaitu Random Forest, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN). Evaluasi dilakukan berdasarkan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan kinerja terbaik dengan akurasi 99,2%, precision 98,9%, recall 98,7%, dan F1-score 98,8%. SVM dan KNN masing-masing mencapai akurasi 96,5% dan 94,3%. Kesimpulannya, metode machine learning, khususnya Random Forest, sangat efektif untuk mendeteksi berbagai jenis serangan jaringan secara real-time dengan tingkat false alarm yang rendah. Penelitian ini merekomendasikan implementasi IDS berbasis Random Forest pada lingkungan jaringan skala menengah hingga besar.