<![CDATA[Peningkatan penggunaan protokol web terenkripsi menyebabkan keterbatasan pada metode deteksi serangan berbasis inspeksi payload. Pendekatan anomaly-based yang memanfaatkan karakteristik statistik trafik jaringan menjadi alternatif yang relevan untuk mengatasi tantangan tersebut. Penelitian ini mengevaluasi efektivitas algoritma BIRCH dalam mendeteksi anomali pada trafik HTTP/HTTPS berbasis flow menggunakan dataset CICIDS-2017. Tahapan prapemrosesan meliputi seleksi flow HTTP/HTTPS, identifikasi fitur heavy-tailed, penerapan transformasi log pada fitur heavy-tailed, serta normalisasi data numerik menggunakan StandardScaler. Representasi fitur hasil prapemrosesan digunakan untuk membentuk micro-cluster benign melalui algoritma BIRCH, yang selanjutnya dimanfaatkan untuk menetapkan threshold anomaly berbasis distribusi radius cluster. Evaluasi dilakukan dengan mengukur keseimbangan precision, recall, dan F1-Score pada beberapa konfigurasi nilai threshold anomaly. Hasil pengujian menunjukkan bahwa model berbasis BIRCH mampu membentuk micro-cluster benign yang rapat dan stabil terhadap variasi threshold anomaly. Konfigurasi optimal menghasilkan keseimbangan deteksi yang baik dengan capaian F1-Score sebesar 96,5%. Temuan ini mengindikasikan bahwa kombinasi BIRCH dan mekanisme threshold anomaly yang tepat dapat efektif mendukung deteksi anomali berbasis flow pada trafik HTTP/HTTPS.]]>
Copyrights © 2026
