Model Data Mining Klasifikasi Serangan Siber untuk Deteksi Dini Serangan Menggunakan Algoritma Random Forest
DOI:
https://doi.org/10.24114/cess.v10i1.65940Keywords:
Data mining; klasifikasi; serangan siber, random forest; deteksi dini.Abstract
Serangan siber menjadi ancaman yang serius pada era digital saat ini. Deteksi dini serangan sangat penting untuk meminimalkan dampak dari ancaman siber. Dengan identifikasi yang cepat dan akurat, organisasi dapat mengambil langkah-langkah mitigasi yang diperlukan sebelum kerusakan lebih lanjut terjadi. Salah satu pendekatan yang menjanjikan dalam mendeteksi dan mengklasifikasikan serangan siber adalah penggunaan algoritma data mining. Penelitian ini bertujuan untuk mengembangkan model klasifikasi ancaman siber yang lebih komprehensif dengan menggunakan algoritma Random Forest. Random Forest adalah algoritma ensemble yang menggabungkan beberapa pohon keputusan untuk meningkatkan akurasi prediksi. Data yang digunakan dalam penelitian ini diambil dari sumber-sumber terbuka yang menyediakan data serangan siber yang umum digunakan seperti KDD Cup 1999 yaitu Cybersecurity Intrusion Detection Dataset. Kumpulan dataset ini dirancang untuk mendeteksi intrusi siber berdasarkan lalu lintas jaringan dan perilaku pengguna yang terdiri dari 9537 baris/record dan 11 atribut. Tahapan yang dilakukan dalam penelitian ini yaitu pengumpulan data, preprocessing data, pemodelan, pelatihan dan pengujian model serta evaluasi model. Model dilatih dan diuji sebanyak 3 perbandingan antara data latih dan data uji yaitu 90:10, 80:20 dan 70:30. Dari 3 perbandingan tersebut, perbandingan 90:10 memiliki hasil evaluasi model dengan Confusion Matrix yang paling tinggi yaitu akurasi sebesar 88,16%, precision sebesar 100%, recall sebesar 72,77% dan F-Measure sebesar 84,24%. Dengan demikian, Random Forest merupakan pilihan yang sangat baik untuk digunakan dalam sistem deteksi intrusi yang memerlukan deteksi dini dan akurasi tinggi. Sehingga diharapkan penelitian ini dapat memberikan kontribusi yang signifikan dalam pengembangan sistem deteksi intrusi yang lebih efektif dan efisien.References
[1] C. Ventures, “2021 Cybercrime Report,” https://cybersecurityventures.com, 2021.
[2] I. C. C. C. (IC3), “2020 Internet Crime Complaint Center Report,” Diakses dari [IC3](https://www.ic3.gov/), 2020.
[3] N. Alexander, R. B. Widodo, and W. Swastika, “Penggunaan Machine Learning Dalam Klasifikasi Bahasa Isyarat BISINDO Menggunakan Kamera,” in Prosiding Seminar Nasional Informatika & Sistem Informasi, 2023, pp. 11–26.
[4] L. Zhang, “Random Forest for Cyber Threat Detection: A Review,” J. Int. Keamanan Siber, vol. 9, no. 4, pp. 101–115, 2021.
[5] R. Prabhu, “Detection of DDoS Attacks Using Random Forest Algorithm,” J. Teknol. Inf. dan Komun., vol. 5, no. 2, pp. 123–130, 2022.
[6] Hidayat, “Comparison of Machine Learning Algorithms for Intrusion Detection Systems,” J. Keamanan Siber, vol. 4, no. 1, pp. 45–60, 2020.
[7] D. P. Sari, “Challenges in Cyber Threat Detection: A Review,” J. Ilmu Komput., vol. 8, no. 1, pp. 15–28, 2023.
[8] S. Widyastuti, “Enhancing Cybersecurity with Diverse Datasets for Machine Learning Models,” J. Keamanan Jar., vol. 6, no. 3, pp. 78–89, 2021.
[9] T. G. Laksana and S. Mulyani, “Pengetahuan Dasar Identifikasi Dini Deteksi Serangan Kejahatan Siber Untuk Mencegah Pembobolan Data Perusahaan,” JUKIM J. Ilm. Multidisiplin, vol. 3, no. 1, pp. 109–122, 2024.
[10] H. Liu, H., Motoda and B. Krawczyk, Data Mining and Knowledge Discovery Handbook. Springer, 2020.
[11] X. Liu, Y., Wang, Y., & Zhang, “A novel approach for cyber attack detection based on PCA and SVM,” in Journal of Information Security and Applications, 2020. doi: DOI: 10.1016/j.jisa.2020.102603.
[12] L. Zhang, Y., Li, Y., & Wang, “An improved random forest algorithm for network intrusion detection,” in Computers & Security, 2022. doi: DOI: 10.1016/j.cose.2022.102696.
[13] C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2019.
[14] A. Surahmat, N. Ahmad, H. Fitri, and A. Widarma, Kecerdasan buatan dalam Data Mining. Bandung: Widina Bhakti Persada, 2023.
