<![CDATA[Peningkatan kompleksitas trafik jaringan di era digital menimbulkan tantangan dalam mendeteksi aktivitas anomali yang berpotensi membahayakan sistem. Penelitian ini mengusulkan pemanfaatan algoritma Isolation Forest sebagai metode deteksi anomali berbasis unsupervised learning untuk mengidentifikasi pola trafik yang menyimpang dari perilaku normal. Dataset yang digunakan adalah LUFlow, yaitu kumpulan data flow-level yang merepresentasikan trafik jaringan nyata yang telah dilabeli sebagai benign, malicious, dan outlier. Tahapan penelitian meliputi preprocessing data, standarisasi fitur, pelatihan model, visualisasi hasil, dan evaluasi performa menggunakan metrik confusion matrix, precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa model berhasil mengidentifikasi trafik menyimpang dengan akurasi deteksi terhadap outlier sebesar 49%, namun belum efektif dalam mendeteksi serangan bot secara eksplisit. Visualisasi scatter plot memperkuat bahwa anomali terdistribusi jauh dari klaster trafik normal. Penelitian ini menegaskan potensi Isolation Forest dalam deteksi trafik anomali berbasis statistik, dan membuka peluang integrasi metode lanjutan seperti autoencoder atau graph learning untuk meningkatkan sensitivitas deteksi.]]>
Copyrights © 2025
