RACHMAT, FARIS ABIYYU (2026) PENERAPAN ALGORITMA ISOLATION FOREST DAN K-MEANS UNTUK DETEKSI ANOMALI PADA TRAFIK JARINGAN. Diploma thesis, Universitas Nasional.
![[thumbnail of COVER.pdf]](https://repository.unas.ac.id/style/images/fileicons/text.png "COVER.pdf") |
Text
COVER.pdf Download (697kB) |
|
Text
BAB 1.pdf Download (345kB) |
|
Text
BAB 2.pdf Download (566kB) |
|
Text
BAB 3.pdf Download (631kB) |
|
Text
BAB 4.pdf Download (597kB) |
|
Text
BAB 5.pdf Download (311kB) |
|
Text
LAMPIRAN.pdf Download (383kB) |
Abstract
Keamanan jaringan merupakan aspek krusial dalam sistem informasi modern seiring dengan meningkatnya volume dan kompleksitas trafik jaringan. Pola serangan siber yang semakin beragam menyebabkan metode deteksi berbasis aturan menjadi kurang efektif, sehingga diperlukan pendekatan berbasis machine learning untuk mendeteksi anomali secara adaptif. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis kinerja algoritma Isolation Forest dan K-Means dalam mendeteksi anomali pada trafik jaringan, serta mengevaluasi efektivitas kombinasi kedua algoritma tersebut. Data yang digunakan dalam penelitian ini adalah dataset CIC-IDS2017 yang terdiri dari 225.745 record dengan 85 fitur yang merepresentasikan karakteristik aliran trafik jaringan. Tahapan penelitian meliputi pra- pemrosesan data, seleksi fitur numerik, normalisasi data menggunakan StandardScaler, penerapan algoritma Isolation Forest untuk deteksi outlier, serta algoritma K-Means untuk
pengelompokan pola trafik. Anomali ditentukan berdasarkan hasil isolasi outlier dan identifikasi cluster berukuran kecil, kemudian digabungkan dalam satu hasil deteksi. Hasil pengujian menunjukkan bahwa algoritma Isolation Forest mendeteksi anomali sebesar 10,0% dari total data, sedangkan K-Means mendeteksi anomali sebesar 8,5% berdasarkan cluster kecil. Kombinasi kedua algoritma meningkatkan jumlah anomali terdeteksi menjadi 12,0% dari keseluruhan data. Visualisasi PCA dua dimensi memperlihatkan bahwa data anomali cenderung terpisah dari cluster utama. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan hybrid Isolation Forest dan K-Means mampu meningkatkan efektivitas deteksi anomali dan memberikan pemahaman yang lebih komprehensif terhadap pola trafik jaringan.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi |
| Depositing User: | Delvy Aplirizani - |
| Date Deposited: | 02 Jun 2026 08:20 |
| Last Modified: | 02 Jun 2026 08:20 |
| URI: | https://repository.unas.ac.id/id/eprint/16363 |
Actions (login required)
 |
View Item |
