<![CDATA[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%.]]>
Copyrights © 2025
