Detail Cantuman

Deteksi anomali pada lalu lintas jaringan menjadi hal yang krusial dalam menjaga keamanan dan kestabilan sistem informasi. Lalu lintas jaringan yang semakin kompleks menuntut adanya metode deteksi yang efektif dan akurat. Penelitian ini bertujuan untuk mendeteksi anomali pada lalu lintas jaringan menggunakan metode Random Forest, yang dikenal memiliki performa tinggi dalam klasifikasi data. Dalam penelitian ini, data lalu lintas jaringan dikumpulkan dan dianalisis berdasarkan fitur IP Source, IP Destination, Protocol, dan Length. Dengan menggunakan metode Random Forest model default didapatkan nilai evaluasi untuk kelas anomali dengan nilai presisi 77%, nilai recall 87% dan f1-score 82%, sedangkan model hyperparameter tuning berhasil mendapatkan nilai presisi 59%, nilai recall 99% dan f1-score 74%. Hasil penelitian ini menunjukkan bahwa metode Random Forest dengan hyperparameter tuning sangat sensitif dalam mendeteksi anomali dengan nilai recall 99%. Temuan ini diharapkan dapat membantu meningkatkan analisis jaringan dengan memberikan peringatan dini terhadap aktivitas mencurigakan atau perubahan pola jaringan.