<![CDATA[Infrastruktur digital Universitas Muhammadiyah Aceh (UNMUHA) yang dikelola melalui mekanisme centralized hosting menghadapi tantangan serius berupa ancaman serangan siber yang berulang, dampak dari serangan ini tidak hanya menyebabkan kegagalan layanan (downtime), tetapi juga berakibat pada pemblokiran (banned) domain institusi oleh sistem keamanan vendor dan mesin pencari global. Penelitian ini bertujuan untuk menganalisis komparasi performa algoritma Random Forest (RF), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM) dalam memitigasi serangan siber menggunakan data log akses riil dari peladen unmuha.ac.id. Metode penelitian menggunakan kerangka kerja CRISP-DM dengan evaluasi berbasis confusion matrix. Hasil eksperimen menunjukkan bahwa Random Forest memiliki tingkat akurasi dan presisi tertinggi sebesar 99,46%, menjadikannya algoritma paling andal untuk klasifikasi serangan. Namun, dari aspek efisiensi, KNN menunjukkan performa luar biasa dengan waktu eksekusi hanya 0,2124 detik, yang mana hampir 4.000 kali lebih cepat dibandingkan SVM (842,99 detik). Penelitian ini menyimpulkan bahwa meskipun RF memiliki tingkat akurasi yang lebih unggul, KNN lebih direkomendasikan sebagai instrumen mitigasi respons cepat guna mencegah dampak pemblokiran domain institusi secara real-time.]]>
Copyrights © 2025
