This Author published in this journals
All Journal Hello World
Ammar Nasution
universitas Al-Azhar

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Pius Deski Manalu *, Ammar Yasir Sistem Deteksi Otomatis Berbasis Machine Learning untuk Jejak Digital dalam Analisis Forensik Siber Ammar Nasution; Ekoliyono Wahyu Sumantri Ekoliyono; muhammad nasri gea Gea; Pius Deski Manalu Pius Deski Manalu
Hello World Jurnal Ilmu Komputer Vol. 5 No. 3 (2026): Edisi Oktober 2026
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Meningkatnya kompleksitas serangan siber dan pertumbuhan data digital secara eksponensial menyebabkan metode analisis forensik konvensional menjadi tidak efisien dan rentan terhadap kesalahan manusia. Penelitian melaporkan tingkat kesalahan manual sebesar 12-18% pada kondisi volume data tinggi (Montasari et al., 2022). Meskipun penelitian machine learning sebelumnya telah mengembangkan klasifikasi malware dan deteksi intrusi jaringan, masih terdapat kesenjangan dalam deteksi jejak digital lintas sumber secara menyeluruh yang mengintegrasikan log sistem, lalu lintas jaringan, dan artefak sistem dalam satu kerangka forensik. Penelitian ini mengatasi kesenjangan tersebut dengan mengembangkan dan mengevaluasi sistem deteksi otomatis berbasis machine learning untuk mengidentifikasi jejak digital secara komprehensif dalam investigasi forensik siber. Berbeda dari penelitian Hasan et al. (2023) dan Dunsin et al. (2024) yang berfokus pada tugas forensik khusus, penelitian ini menerapkan integrasi fitur lintas sumber dengan algoritma Random Forest dan Support Vector Machine pada sumber data forensik yang heterogen. Metode manual sebagai baseline mengikuti prosedur forensik digital standar yang meliputi identifikasi, pengumpulan, pemeriksaan, dan analisis bukti. Ekstraksi fitur dilakukan pada berkas log, lalu lintas jaringan, dan artefak sistem dari lingkungan digital simulasi, dengan pembagian data latih dan data uji 80:20. Hasil menunjukkan bahwa Random Forest mencapai akurasi 96,2%, presisi 95,8%, dan recall 94,7%, serta mengurangi waktu pemrosesan sebesar 40% dibandingkan baseline manual. Validasi statistik menggunakan uji McNemar (χ² = 14,73; p < 0,001) menegaskan bahwa perbedaan kinerja tersebut signifikan. Analisis kepentingan fitur mengidentifikasi frekuensi akses log, pola koneksi jaringan, dan artefak peramban sebagai indikator forensik paling penting. Penelitian ini menghasilkan kerangka deteksi otomatis multisumber yang dapat diterapkan pada platform forensik digital untuk mempercepat investigasi sekaligus meningkatkan keandalan dan akuntabilitas hukum analisis bukti digital.