Implementasi Data Mining untuk Deteksi Intrusi Jaringan menggunakan Random Forest, Decision Tree, dan XGBoost serta K-Means Clustering pada Dataset Network Intrusion and Cyberattack
Aan Maulana Sampe(1*); Naufal Dzaky Rahman(2); A. Muh. Taqwin Fauzan(3); Sayyid Zidane(4);
(1) Universitas Muslim Indonesia
(2) Universitas Muslim Indonesia
(3) Universitas Muslim Indonesia
(4) Universitas Muslim Indonesia
(*) Corresponding Author
AbstractKeamanan jaringan komputer menjadi salah satu isu kritis seiring meningkatnya ancaman serangan siber yang semakin kompleks. Penelitian ini mengimplementasikan teknik Data Mining berbasis supervised learning dan unsupervised learning pada dataset Network Intrusion and Cyberattack (NICA) yang terdiri dari 211.043 baris data aliran jaringan dengan 44 fitur. Tahap pra-pemrosesan mencakup penghapusan fitur beridentitas tinggi (src_ip, dst_ip, src_port, dst_port), penanganan nilai kosong, Label Encoding, dan normalisasi MinMaxScaler yang diterapkan secara ketat pasca Data Splitting (80:20) untuk mencegah kebocoran data. Pada metode klasifikasi, tiga algoritma berbasis pohon dibandingkan secara berjenjang: Decision Tree, Random Forest, dan XGBoost. Hasil eksperimen menunjukkan Random Forest mencapai performa terbaik dengan Test Accuracy 0,9986, Precision 0,9987, Recall 0,9995, dan F1-Score 0,9991, diikuti XGBoost (0,9982) dan Decision Tree (0,9977). Untuk metode clustering, K-Means berhasil mengelompokkan data ke dalam K=3 cluster optimal yang divalidasi melalui Elbow Method dan Davies-Bouldin Index (DBI) terendah sebesar 0,821. Visualisasi spasial PCA mengungkap pemisahan struktural antara pola lalu lintas normal dan dua kategori anomali serangan siber. Penelitian ini membuktikan efektivitas pendekatan hibrida Data Mining berbasis evolusi algoritma pohon keputusan dalam membangun sistem deteksi intrusi jaringan yang andal
Keywordsdata mining; deteksi intrusi jaringan; Decision Tree; Random Forest; XGBoost
|
Full Text:XML |
Article MetricsAbstract view: 0 timesXML view: 0 times |
Digital Object Identifier https://doi.org/10.33096/linier.v3i3.3879
|
Cite |
References
M. H. Rifai, D. A. Pramudya, and R. R. Narfandi, “Analisis peran teknologi kecerdasan buatan dalam mengoptimalkan proses deteksi terhadap serangan siber,” in Prosiding Seminar Nasional Teknologi Informasi dan Bisnis, 2024, pp. 495–502.
F. B. Kutana, E. I. Alwi, and others, “Perancangan Deteksi Serangan Syn Flooding Menggunakan Metode Na"ive Bayes,” LINIER: Literatur Informatika dan Komputer, vol. 3, no. 2, pp. 234–240, 2026.
N. H. Sinaga, D. Irmayani, and M. N. S. Hasibuan, “Mengoptimalkan keamanan jaringan memanfaatkan kecerdasan buatan untuk meningkatkan deteksi dan respon ancaman,” Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), vol. 7, no. 2, pp. 364–369, 2024.
Edy Soesanto, Achmad Romadhon, Bima Dwi Mardika, and Moch Fahmi Setiawan, “Analisis dan Peningkatan Keamanan Cyber: Studi Kasus Ancaman dan Solusi dalam Lingkungan Digital Untuk Mengamankan Objek Vital dan File,” Sammajiva: Jurnal Penelitian Bisnis dan Manajemen, vol. 1, no. 2, pp. 172–191, Jun. 2023, doi: 10.47861/sammajiva.v1i2.226.
T. Tan, H. Sama, G. Wijaya, and O. E. Aboagye, “Studi Perbandingan Deteksi Intrusi Jaringan Menggunakan Machine Learning: (Metode SVM dan ANN),” Jurnal Teknologi dan Informasi, vol. 13, no. 2, pp. 152–164, Aug. 2023, doi: 10.34010/jati.v13i2.10484.
D. P. Sari, Z. Halim, I. Irlon, B. Waseso, and S. Saromah, “Implementasi Machine Learning untuk Deteksi Intrusi pada Jaringan Komputer,” Jurnal Minfo Polgan, vol. 13, no. 2, pp. 1389–1394, Sep. 2024, doi: 10.33395/jmp.v13i2.14074.
D. Kiswanto, F. Ramadhani, N. M. Surbakti, and N. A. Nasution, “Pengembangan dan Implementasi Sistem Deteksi Serangan DDoS Berbasis Algoritma Random Forest,” Bulletin of Information Technology (BIT), vol. 6, no. 3, pp. 247–256, 2025, doi: 10.47065/bit.v5i2.2203.
B. N. Kasmara, E. T. E. Handayani, and N. D. Nathasia, “Perbandingan Kinerja Algoritma K-Nearest Neighbors (K-NN) Dan Decision Tree dalam Deteksi Paket Malis pada Jaringan,” STRING (Satuan Tulisan Riset dan Inovasi Teknologi), vol. 8, no. 3, p. 320, 2024, doi: 10.30998/string.v8i3.22362.
Sitti Rahmah Jabir, Huzain Azis, and St. Hajrah Mansyur, “Enhancing The Quality of College Decisions Through Decision Tree and Random Forest Models,” Journal of Embedded Systems, Security and Intelligent Systems, vol. 05, no. March, pp. 13–18, 2024, doi: 10.59562/jessi.v5i1.1225.
M. Adi et al., “Studi Optimalisasi Deteksi Intrusi Jaringan NIDS Menggunakan XGBoost pada Dataset Netflow V2,” pp. 134–144, 2026, doi: doi.org/10.55382/jurnalpustakaai.v6i1.1756.
R. P. Irawan and S. B. Sinaga, “Kombinasi Algoritma K-Means dan DBSCAN dalam Identifikasi Anomali pada Data Log Server,” MEANS (Media Informasi Analisa dan Sistem), vol. 9, no. DBSCAN,K-MEANS, pp. 1–5, 2024.
H. A. Damanik and M. Anggraeni, “Analisis dan Mitigasi Kerentanan DDoS pada Infrastuktur Jaringan dengan Teknik Hierarchical Clustering dan Firewall IPTables,” Jurnal Pekommas, vol. 10, no. 1, pp. 29–38, Jun. 2025, doi: 10.56873/jpkm.v9i1.5551.
M. A. S. Arifin, A. Armanto, S. Susanto, and A. T. Martadinata, “Perbandingan Algoritma Decision tree dan Gradient Boosting pada Model Sistem Deteksi Serangan Siber di Jaringan Internet of Things,” InComTech : Jurnal Telekomunikasi dan Komputer, vol. 15, no. 1, pp. 41–55, Jun. 2025, doi: 10.22441/incomtech.v15i1.26096.
R. Pangestu and A. Solichin, “Klasifikasi Serangan Jaringan Menggunakan Metode Decision Tree Berbasis Website,” in Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 2022, pp. 614–620.
M. Cakra Adhana, A. Alanda, H. Amnur, and F. Kasmar, “Deteksi Malware pada File Executable Menggunakan Machine Learning Random Forest,” JITSI : Jurnal Ilmiah Teknologi Sistem Informasi, vol. 7, no. 2, pp. 176–182, Jun. 2026, doi: 10.62527/jitsi.7.2.602.
I. Ikhsanudin, R. R. Sukarya, N. Anggraini, and others, “Evaluasi Kinerja Algoritma Random Forest dan Naive Bayes untuk Deteksi Ddos Menggunakan Framework Eksperimental,” Jurnal Nasional Komputasi dan Teknologi Informasi, vol. 9, no. 4, 2026.
A. M. A. Rudianto, E. S. Pramukantoro, and D. Kurnianingtyas, “Implementasi Sistem Deteksi Anomali pada Jaringan Komputer dengan Pendekatan XGBoost dan Data SNMP,” Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, vol. 9, no. 2, 2025.
V. N. Pratama and W. Ghozi, “Optimasi Model XGBoost Dengan Seleksi Fitur Mutual Information Dan Threshold Tuning Untuk Deteksi Intrusi Jaringan,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 11, no. 2, pp. 271–283, Apr. 2026, doi: 10.30591/jpit.v11i2.10064.
Refbacks
- There are currently no refbacks.
Copyright (c) 2026 Aan Maulana Sampe, Naufal Dzaky Rahman, A. Muh. Taqwin Fauzan, Sayyid Zidane
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Linier: Literatur Informatika dan Komputer indexed by
ISSN 3063-2218
Published by Prodi Teknik Informatika FIK Universitas Muslim Indonesia
Website : https://jurnal.fikom.umi.ac.id/index.php/LINIER/
Email : linier@umi.ac.id
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0