Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Rudianto, Amadeo Muhammad Augie
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Implementasi Sistem Deteksi Anomali pada Jaringan Komputer dengan Pendekatan XGBoost dan Data SNMP Rudianto, Amadeo Muhammad Augie; Pramukantoro, Eko Sakti; Kurnianingtyas, Diva
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Reliabilitas jaringan sangat bergantung pada kemampuan sistem untuk mendeteksi dan merespons anomali secepat mungkin. Anomali dalam jaringan dapat berupa aktivitas mencurigakan, kegagalan perangkat keras, atau serangan siber yang mengancam ketersediaan layanan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi anomali jaringan berbasis data Simple Network Management Protocol (SNMP) menggunakan model XGBoost. Data SNMP yang digunakan pada penelitian ini mencakup berbagai metrik jaringan, sehingga memungkinkan sistem untuk mendeteksi pola-pola kompleks secara akurat. Penelitian ini mencakup proses pengembangan model klasifikasi, implementasi sistem inferensi deteksi anomali berbasis SNMP, dan evaluasi kinerja sistem melalui skenario pengujian yang realistis. Hasil pengujian menunjukkan bahwa model XGBoost mampu mendeteksi berbagai jenis serangan dengan akurasi mencapai 99,82% pada data uji yang belum pernah dilihat. Sistem inferensi yang diimplementasikan juga mampu bekerja secara kontinu untuk memproses data SNMP dan memberikan hasil prediksi yang konsisten. Namun, penelitian ini juga menemukan bahwa sistem memiliki keterbatasan dalam hal fleksibilitas untuk menangani pola serangan baru yang tidak terwakili dalam data pelatihan. Penelitian ini berhasil mengembangkan dan mengimplementasikan sistem deteksi anomali berbasis SNMP dengan model XGBoost yang andal dan akurat. Temuan ini diharapkan dapat menjadi landasan bagi pengembangan lebih lanjut untuk meningkatkan fleksibilitas dan adaptabilitas sistem dalam lingkungan jaringan yang dinamis.
Co-Authors Eko Sakti Pramukantoro, Eko Sakti Kurnianingtyas, Diva