Article Per Year (5 Year)
p-Index From 2020 - 2025
2.248
P-Index
This Author published in this journals
All Journal JOIN (Jurnal Online Informatika) PROCESSOR Jurnal Ilmiah Sistem Informasi, Teknologi Informasi dan Sistem Komputer Jurnal Tekno Insentif Jurnal Sistem Cerdas Jurnal Teknologi Terapan JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Tekinkom (Teknik Informasi dan Komputer) Jurnal Teknik Industri Terintegrasi (JUTIN) Competitive Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi The Indonesian Journal of Computer Science
Habibi, Roni
Unknown Affiliation
Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering Transportation

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi

 1 
Penerapan Algoritma K-Nearest Neighbors untuk Deteksi Serangan Network Flood Berbasis Supervised Learning habibi, roni; Widana, Naufal Dekha
Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi Vol. 4 No. 2 (2025)
Publisher : Department of Informatics Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20885/snati.v4.i2.38599

Abstract

Deteksi anomali akibat serangan flood merupakan tantangan utama dalam pengelolaan keamanan jaringan modern. Penelitian ini mengusulkan penerapan algoritma K-Nearest Neighbors (KNN) dalam kerangka supervised learning untuk membangun model Network Flood Detection (NFD) yang dievaluasi menggunakan metrik performa yang lebih komprehensif, yaitu akurasi, presisi, dan recall. Model dikembangkan berdasarkan fitur jaringan seperti bandwidth masuk, bandwidth keluar, ping, serta distribusi trafik flood dan normal. Data diperoleh dari laporan jaringan instansi secara real-time dan historis, yang kemudian diproses melalui tahapan normalisasi, pengurangan fitur, dan penghapusan noise. Hasil evaluasi menunjukkan bahwa model mampu mencapai akurasi hingga 92,42% dengan skor F1 yang seimbang antar kelas. Selain itu, kurva ROC dengan AUC sebesar 0,99 menunjukkan bahwa model memiliki kemampuan diskriminasi yang tinggi dalam membedakan trafik flood dan normal. Temuan ini menunjukkan bahwa KNN, meskipun sederhana, dapat digunakan secara efektif dalam sistem deteksi serangan flood jika didukung oleh data yang representatif dan proses evaluasi yang tepat.
Co-Authors Andarsyah, Roni Annisah, Wulan Nur Atmojo, Ariyo Azzahra, Fathya Fathimah Darfial Guslan Dwiyanti, Zian Asti Ekra Sanggala Fadilla Musdalifa, Deriska Faisal Abdullah Fatonah, Rd. Nuraini Siti Febrisa Sidabutar, Audry Harani, Nisa Hanum Hayati, Kurnia Maulana, Jaka Nugraha, Fikri Aldi Rahayu, Woro Isti Rahmawan, Fadhel Rosa Sekamayang, Balqis Salsabila, Helmi Setyawan, M. Yusril Helmi Syafrial Fachri Pane, Syafrial Fachri Widana, Naufal Dekha