Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal CESS (Journal of Computer Engineering, System and Science)
Oky Adinata Hidayatullah
Unknown Affiliation
Computer Science & IT

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

Found 1 Documents
Search
Journal : CESS (Journal of Computer Engineering, System and Science)

 1 
Model Data Mining Klasifikasi Serangan Siber untuk Deteksi Dini Serangan Menggunakan Algoritma Random Forest Zunaida Sitorus; Adittya Pratama; Oky Adinata Hidayatullah; Adi Widarma
CESS (Journal of Computer Engineering, System and Science) Vol. 10 No. 1 (2025): Januari 2025
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v10i1.65940

Abstract

Serangan siber menjadi ancaman yang serius pada era digital saat ini. Deteksi dini serangan sangat penting untuk meminimalkan dampak dari ancaman siber. Dengan identifikasi yang cepat dan akurat, organisasi dapat mengambil langkah-langkah mitigasi yang diperlukan sebelum kerusakan lebih lanjut terjadi. Salah satu pendekatan yang menjanjikan dalam mendeteksi dan mengklasifikasikan serangan siber adalah penggunaan algoritma data mining. Penelitian ini bertujuan untuk mengembangkan model klasifikasi ancaman siber yang lebih komprehensif dengan menggunakan algoritma Random Forest. Random Forest adalah algoritma ensemble yang menggabungkan beberapa pohon keputusan untuk meningkatkan akurasi prediksi. Data yang digunakan dalam penelitian ini diambil dari sumber-sumber terbuka yang menyediakan data serangan siber yang umum digunakan seperti KDD Cup 1999 yaitu Cybersecurity Intrusion Detection Dataset. Kumpulan dataset ini dirancang untuk mendeteksi intrusi siber berdasarkan lalu lintas jaringan dan perilaku pengguna yang terdiri dari 9537 baris/record dan 11 atribut. Tahapan yang dilakukan dalam penelitian ini yaitu pengumpulan data, preprocessing data, pemodelan, pelatihan dan pengujian model serta evaluasi model. Model dilatih dan diuji sebanyak 3 perbandingan antara data latih dan data uji yaitu 90:10, 80:20 dan 70:30. Dari 3 perbandingan tersebut, perbandingan 90:10 memiliki hasil evaluasi model dengan Confusion Matrix yang paling tinggi yaitu akurasi sebesar 88,16%, precision sebesar 100%, recall sebesar 72,77% dan F-Measure sebesar 84,24%. Dengan demikian, Random Forest merupakan pilihan yang sangat baik untuk digunakan dalam sistem deteksi intrusi yang memerlukan deteksi dini dan akurasi tinggi. Sehingga diharapkan penelitian ini dapat memberikan kontribusi yang signifikan dalam pengembangan sistem deteksi intrusi yang lebih efektif dan efisien.
Co-Authors Adi Widarma Adittya Pratama Zunaida Sitorus