<![CDATA[Penelitian ini dilakukan untuk menganalisis dan membandingkan kinerja dua algoritma machine learning, yaitu K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dalam proses klasifikasi log serangan jaringan menggunakan dataset CICIDS2017. Hasil dari penelitian ini diharapkan dapat memberikan gambaran mengenai metode yang memiliki performa terbaik dalam mendeteksi aktivitas serangan jaringan sehingga dapat menjadi dasar rekomendasi dalam meningkatkan keamanan jaringan komputer. Berdasarkan hasil penelitian yang telah dilakukan mengenai analisis metode K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM) pada klasifikasi log serangan jaringan menggunakan dataset CICIDS2017. Metode K-Nearest Neighbor (KNN) mampu melakukan klasifikasi aktivitas jaringan menjadi kategori normal dan serangan dengan performa yang sangat baik. Berdasarkan hasil pengujian yang dilakukan, model KNN menghasilkan nilai accuracy sebesar 0,9989, precision sebesar 0,9975, recall sebesar 0,9969, dan F1-score sebesar 0,9972, yang menunjukkan bahwa metode KNN memiliki kemampuan yang sangat tinggi dalam mendeteksi aktivitas serangan jaringan pada dataset CICIDS2017. Metode Support Vector Machine (SVM) juga mampu melakukan klasifikasi aktivitas jaringan dengan performa yang cukup baik. Hasil evaluasi model menunjukkan nilai accuracy sebesar 0,9756, precision sebesar 0,9575, recall sebesar 0,9134, dan F1-score sebesar 0,9349, yang menunjukkan bahwa metode SVM masih memiliki kemampuan yang baik dalam mendeteksi aktivitas jaringan normal dan serangan, meskipun performanya masih berada di bawah metode KNN pada dataset yang digunakan. Metode K-Nearest Neighbor (KNN) lebih efektif digunakan dalam proses deteksi serangan jaringan pada dataset CICIDS2017. Dengan tingkat akurasi dan kemampuan deteksi yang tinggi, metode ini dapat dijadikan sebagai rekomendasi metode machine learning yang dapat digunakan dalam pengembangan sistem keamanan jaringan berbasis Intrusion Detection System (IDS) untuk membantu mengidentifikasi aktivitas serangan jaringan secara lebih akurat]]>
Copyrights © 2026
