<![CDATA[Meningkatnya intensitas serangan siber secara global, termasuk di Indonesia yang mencatat 361 juta anomali trafik sepanjang Januari hingga Oktober 2023, mendorong kebutuhan mendesak terhadap sistem deteksi intrusi (IDS) yang mampu bekerja secara adaptif dan efisien. Penelitian ini menerapkan algoritma K-Means Clustering sebagai pendekatan unsupervised learning untuk mengklasifikasikan pola serangan siber meliputi DDoS, brute force, port scanning, botnet, dan web attack berdasarkan data log jaringan dari dataset CICIDS2017. Proses penelitian mencakup preprocessing data, reduksi fitur menggunakan Principal Component Analysis (PCA), penentuan jumlah kluster optimal dengan metode Elbow dan Silhouette Coefficient, serta evaluasi hasil clustering. Penelitian ini bertujuan menghasilkan model pengelompokan serangan yang dapat membantu tim keamanan jaringan dalam proses triase insiden secara lebih terstruktur tanpa ketergantungan pada data berlabel. Hasil evaluasi diharapkan menunjukkan nilai Silhouette Coefficient di atas 0,50 dengan pemisahan kluster yang jelas antara trafik normal dan trafik serangan.]]>
Copyrights © 2026
