<![CDATA[Ancaman siber yang semakin kompleks dan terus berkembang menuntut sistem keamanan yang mampu mendeteksi serangan secara cepat dan akurat. Pesatnya perkembangan serangan siber menuntut sistem deteksi yang cerdas dan adaptif untuk mengamankan jaringan informasi. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi kinerja algoritma K-Nearest Neighbor (KNN) dan Random Forest (RF) dalam mendeteksi serta mengklasifikasikan ancaman berdasarkan log serangan siber. Data yang digunakan diperoleh dari Biro Sistem Informasi Universitas Muhammadiyah Purwokerto, berjumlah 500 entri dengan 25 atribut, yang kemudian diproses melalui tahap pra-pemrosesan seperti parsing, imputasi nilai hilang, dan encoding atribut kategorikal. Model KNN dan RF dibangun dan diuji menggunakan metrik evaluasi akurasi, precision, recall, dan f1-score. Hasil menunjukkan bahwa algoritma RF memiliki kinerja yang lebih unggul dengan akurasi 94,87% dibandingkan KNN yang mencapai 89,32%. Selain itu, RF menunjukkan konsistensi tinggi dalam precision dan recall pada kedua kelas, menjadikannya lebih efektif dalam mendeteksi variasi serangan. Dengan demikian, RF direkomendasikan sebagai algoritma utama dalam pengembangan sistem deteksi ancaman siber berbasis pembelajaran mesin.]]>
Copyrights © 2025
