Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Mirai Management
Anjik Sukmaaji
Sistem Informasi, Teknologi dan Informatika, Universitas Dinamika
Decision Sciences, Operations Research & Management Economics, Econometrics & Finance

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Deteksi Adware Pada Trafik Jaringan Menggunakan Metode K-Means Clustering Berbasis Data Wireshark Rinto Dariyanto Putro; Anjik Sukmaaji
Jurnal Mirai Management Vol 12, No 1
Publisher : STIE AMKOP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37531/mirai.v12i1.12700

Abstract

Analisis trafik jaringan menjadi langkah penting dalam mendeteksi pola komunikasi yang berpotensi mengindikasikan aktivitas adware. Permasalahan utama penelitian ini adalah besarnya jumlah paket jaringan yang harus diperiksa secara manual sehingga pola komunikasi berulang, tujuan komunikasi dominan, dan anomali ukuran paket sulit diidentifikasi secara efisien. Penelitian menggunakan dataset yang diperoleh dari tujuh file hasil ekspor wireshark dengan total 135.996 paket jaringan. Data mentah diproses melalui tahapan pembersihan data, transformasi atribut, agregasi aliran komunikasi, pembentukan fitur numerik, dan normalisasi. Fitur yang dianalisis meliputi packet count, total length, average length, destination frequency, source frequency, tcp warning count, query like count, packets persecond, bytes persecond, serta representasi protokol dominan. Hasil agregasi menghasilkan 1.839 aliran komunikasi yang kemudian dikelompokkan menggunakan algoritma k-means. Jumlah klaster ditentukan melalui kombinasi elbow method dan silhouette score, sehingga dipilih K-7 sebagai konfigurasi terbaik dengan silhouette score 0,258 dan davies bouldin index 1,569. Hasil klasterisasi menunjukkan bahwa Klaster 0, 4, dan 6 memiliki karakteristik komunikasi yang paling berpotensi mencurigakan, ditandai oleh intensitas komunikasi tinggi, frekuensi tujuan yang dominan, ukuran paket tertentu, serta tingginya peringatan TCP. Temuan ini menunjukkan bahwa k-means efektif sebagai pendekatan eksploratif untuk penyaringan awal trafik jaringan sehingga dapat membantu proses identifikasi aktivitas adware secara lebih cepat dan terstruktur.
Identifikasi Anomali Traffic Data Jaringan Wi-Fi Menggunakan Metode Isolation Forest dan One-Class SVM Muhamad Andy; Anjik Sukmaaji
Jurnal Mirai Management Vol 11, No 2 (2026)
Publisher : STIE AMKOP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37531/mirai.v11i2.12695

Abstract

Peningkatan penggunaan jaringan Wi-Fi menyebabkan kepadatan traffic data semakin tinggi sehingga diperlukan proses pemantauan untuk mendeteksi aktivitas yang menyimpang dari pola normal jaringan. Penelitian ini bertujuan mengidentifikasi anomali pada data traffic Wi-Fi hasil tangkapan Wireshark tanpa bergantung pada ketersediaan label serangan yang lengkap. Data paket jaringan dikumpulkan menggunakan Wireshark, kemudian diekspor ke dalam format CSV untuk dilakukan preprocessing. Selanjutnya, dibentuk fitur RequestCount sebagai representasi aktivitas permintaan jaringan. Proses deteksi anomali dilakukan menggunakan dua metode unsupervised learning, yaitu Isolation Forest dan One-Class SVM. Isolation Forest bekerja dengan mengisolasi observasi yang memiliki karakteristik berbeda dari mayoritas data, sedangkan One-Class SVM membentuk batas terhadap pola data normal dan mengidentifikasi observasi yang berada di luar batas tersebut sebagai kandidat anomali. Hasil pengolahan berupa data traffic yang telah dibersihkan, nilai RequestCount, anomaly score, serta klasifikasi Normal atau Anomali. Informasi tersebut dapat digunakan untuk menelusuri pola traffic dan alamat IP yang memerlukan pemeriksaan lebih lanjut. Namun, jumlah data, jumlah anomali, dan metrik evaluasi belum dapat ditentukan karena file CSV dan hasil eksekusi model belum tersedia. Hasil penelitian selanjutnya dapat digunakan sebagai dasar pengembangan sistem pemantauan keamanan jaringan berbasis deteksi anomali. Kata Kunci: Traffic Jaringan, Deteksi Anomali, Wireshark, Isolation Forest, One-Class SVM, Machine Learning.
Co-Authors Muhamad Andy Rinto Dariyanto Putro