<![CDATA[Alamat IP publik pada jaringan komputer berskala besar sering kali menghadapi risiko pemblokiran oleh layanan server global akibat aktivitas lalu lintas mencurigakan yang dipicu oleh perangkat spammer. Penelitian terdahulu telah mengusulkan sistem deteksi menggunakan kombinasi K-Medoids Clustering dan Gaussian Naïve Bayes Classifier. Namun, pendekatan statistik global tersebut masih menyisakan kelemahan berupa angka deteksi melolos (False Negative) yang signifikan akibat karakteristik ketimpangan kelas (class imbalance) yang ekstrem pada lalu lintas jaringan riil. Untuk mengatasi batasan tersebut, penelitian ini menerapkan sebuah pendekatan hybrid baru dengan mengintegrasikan algoritma Mean Shift Clustering dan Local Mean K-Nearest Neighbor (LMKNN). Data lalu lintas diekstraksi dari gateway Mikrotik RouterBoard RB850Gx2 pada jaringan Wi-Fi e-UnimalNet Universitas Malikussaleh. Algoritma Mean Shift yang berbasis densitas berhasil mengisolasi karakteristik lalu lintas secara mandiri menjadi 19 klaster spasial tanpa memerlukan inisialisasi jumlah kelompok di awal. Klaster-klaster mikro kemudian dilebur menggunakan ambang batas densitas menjadi representasi binary class (Normal dan Spammer). Selanjutnya, algoritma LMKNN diterapkan untuk mengklasifikasikan data uji dengan memanfaatkan metrik rata-rata jarak lokal guna memberikan representasi yang adil bagi kelas minoritas (spammer). Hasil eksperimen menunjukkan performa klasifikasi yang luar biasa, di mana nilai hiperparameter tetangga lokal optimal pada K=3 berhasil mencatatkan nilai Akurasi, Presisi, Recall, dan F1-Score mutlak sebesar 100%. Pendekatan ini terbukti sukses memangkas angka False Negative dari 23 data pada model konvensional sebelumnya menjadi 0 data murni, menjadikannya solusi deteksi anomali yang sangat andal dan robust untuk administrator jaringan.]]>
