Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI
nanda, afri
Unknown Affiliation
Computer Science & IT

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

Found 1 Documents
Search

 1 
Perbandingan Efektivitas Random Forest, SVM, dan Logistic Regression dalam Deteksi Intrusi Jaringan nanda, afri; wahyu, haditya; rahmaddeni, rahmaddeni; sutisna, sutisna; rinaldi, rinaldi
JATISI (Jurnal Teknik Informatika dan Sistem Informasi) Vol 12 No 2 (2025): JATISI (Jurnal Teknik Informatika dan Sistem Informasi)
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jatisi.v12i2.10908

Abstract

Seiring dengan kemajuan teknologi, ancaman serangan siber semakin meningkat, sehingga risiko kebocoran data pun semakin besar. Dalam beberapa tahun terakhir, Indonesia kerap kali menghadapi serangan siber yang mengakibatkan hilangnya data-data penting, baik data perorangan maupun data lembaga pemerintahan. Kondisi ini menunjukkan bahwa diperlukannya solusi yang efektif untuk mendeteksi dan mencegah ancaman siber agar keamanan dan privasi data dapat terlindungi secara menyeluruh. Salah satu metode yang efektif untuk mendeteksi ancaman siber adalah machine learning. Penelitian ini bertujuan untuk mengevaluasi model machine learning dalam mendeteksi intrusi jaringan secara real-time. Pendekatan yang digunakan adalah teknik supervised learning dengan dataset yang mencakup trafik jaringan normal dan trafik yang mengandung serangan untuk melatih algoritmanya. Tiga algoritma yang diuji dalam penelitian ini adalah Support Vector Machine (SVM), Random Forest, dan Logistic Regression. Berdasarkan hasil pengujian ketiga model pendeteksian intrusi jaringan, pemodelan dengan hyperparameter tuning menunjukkan bahwa metode Random Forest memiliki akurasi tertinggi sebesar 95,87%, diikuti oleh Support Vector Machine sebesar 94,31%, dan Logistic Regression sebesar 88,72%. Sementara itu, tanpa penyetelan hiperparameter, Random Forest mencapai akurasi tertinggi sebesar 97,12%, diikuti oleh Support Vector Machine dengan 93,71% dan Logistic Regression dengan 89,88%.
Co-Authors Rahmaddeni Rahmaddeni Rinaldi Rinaldi Sutisna Sutisna wahyu, haditya