<![CDATA[Serangan siber menjadi ancaman utama bagi infrastruktur teknologi informasi, termasuk lingkungan kampus yang sangat bergantung pada jaringan terbuka dan akses publik. Sistem keamanan konvensional sering kali tidak mampu mendeteksi pola serangan baru secara real-time, sehingga dibutuhkan pendekatan cerdas berbasis machine learning. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini serangan siber dengan memanfaatkan algoritma Random Forest dan Support Vector Machine (SVM). Metode penelitian yang digunakan adalah kuantitatif eksperimental dengan pendekatan komputasional. Dataset yang digunakan adalah KDD Cup 1999 dan CICIDS 2017, yang merepresentasikan berbagai jenis serangan jaringan modern dan aktivitas normal. Proses yang dilakukan meliputi, tahapan data preprocessing, feature selection, pelatihan model, serta pengujian dalam lingkungan simulasi jaringan kampus. Evaluasi performa model dilakukan menggunakan metrik akurasi, precision, dan recall untuk menilai efektivitas deteksi ancaman. Hasil pengujian menunjukkan bahwa algoritma Random Forest menghasilkan akurasi sebesar 97,8%, precision 96,4%, dan recall 98,1%. Sementara itu, SVM mencatat akurasi 94,3%, precision 92,7%, dan recall 94,9%. Hasil ini mengindikasikan bahwa metode machine learning, khususnya Random Forest, memiliki potensi tinggi dalam meningkatkan kemampuan sistem deteksi ancaman siber pada jaringan kampus secara efektif dan efisien.]]>
Copyrights © 2025
