<![CDATA[Serangan Port Scanning merupakan salah satu tahapan awal yang umum dilakukan oleh penyerang untuk mengidentifikasi layanan dan celah keamanan pada suatu sistem jaringan. Oleh karena itu, diperlukan mekanisme deteksi yang mampu mengenali aktivitas tersebut secara cepat dan akurat. Penelitian ini bertujuan mengimplementasikan dan mengevaluasi sistem deteksi serangan Port Scanning menggunakan algoritma Extreme Gradient Boosting (XGBoost). Dataset yang digunakan adalah CIC-IDS2017, khususnya berkas Friday-WorkingHours-Afternoon-PortScan.pcap_ISCX. Tahapan penelitian meliputi seleksi fitur bertahap, Exploratory Data Analysis (EDA), preprocessing, serta pelatihan dan evaluasi model menggunakan metode Stratified 5-Fold Cross-Validation. Proses seleksi fitur berhasil mereduksi 85 fitur awal menjadi 8 fitur prediktif utama. Setelah penghapusan data duplikat, dataset terdiri atas 110.364 observasi unik dengan rasio ketidakseimbangan kelas sekitar 66:1. Hasil pengujian menunjukkan bahwa model XGBoost mencapai akurasi sebesar 99,89%, precision 94,00%, recall 99,27%, dan F1-score 96,56% untuk kelas PortScan. Analisis learning curve menunjukkan kemampuan generalisasi yang baik tanpa indikasi overfitting yang signifikan. Selain itu, analisis eXplainable AI menggunakan SHAP mengidentifikasi bahwa fitur Total Length of Fwd Packets, PSH Flag Count, dan Fwd Packet Length Min merupakan faktor yang paling berpengaruh dalam proses klasifikasi. Hasil penelitian menunjukkan bahwa pendekatan XGBoost efektif dalam mendeteksi serangan Port Scanning dengan tingkat akurasi tinggi serta mampu memberikan interpretasi terhadap proses pengambilan keputusan model.]]>
Copyrights © 2026
