ANALISIS PERFORMANSI ALGORITMA RANDOM FOREST, LOGISTIC REGRESSION, DAN DECISION TREE UNTUK MELAKUKAN KLASIFIKASI SERANGAN SIBER

Kuswardana, Ega Ferdian
Setyawan, Raden Arief
Aswin, Muhammad

Jurnal Mahasiswa TEUB
Vol. 13 No. 4 (2025)

Intrusion Detection System (IDS) berperanpenting dalam mendeteksi serangan siber, termasukAdvanced Persistent Threat (APT) yang bersifatkompleks dan tersembunyi. Penelitian ini mengusulkanpendekatan klasifikasi berlapis (multilayer classification)yang terdiri dari dua tahap: klasifikasi awal untukmembedakan trafik APT, Non-APT, dan Normal, sertaklasifikasi utama untuk mengidentifikasi jenis serangansecara lebih spesifik. Model dibangun menggunakankombinasi algoritma Random Forest, Decision Tree, danLogistic Regression. Hasil menunjukkan bahwakombinasi Decision Tree dan Random Forest (DT+RF)menghasilkan akurasi terbaik, yaitu 97% untuk dataserangan dan 99% secara keseluruhan. Dibandingkanpenelitian sebelumnya, pendekatan ini menunjukkanpeningkatan nilai precision dan recall pada sebagian besarkategori serangan. Namun, pengujian terhadap data realworld menunjukkan tantangan dalam generalisasi model,menandakan perlunya pengembangan lebih lanjut agarlebih adaptif terhadap kondisi lalu lintas nyata.Kata Kunci— IDS, Advanced Persistent Threat,Multilayer klasifikasi, Random Forest, Decision Tree,real-world data.