<![CDATA[Peningkatan penggunaan jaringan Wi-Fi menyebabkan kepadatan traffic data semakin tinggi sehingga diperlukan proses pemantauan untuk mendeteksi aktivitas yang menyimpang dari pola normal jaringan. Penelitian ini bertujuan mengidentifikasi anomali pada data traffic Wi-Fi hasil tangkapan Wireshark tanpa bergantung pada ketersediaan label serangan yang lengkap. Data paket jaringan dikumpulkan menggunakan Wireshark, kemudian diekspor ke dalam format CSV untuk dilakukan preprocessing. Selanjutnya, dibentuk fitur RequestCount sebagai representasi aktivitas permintaan jaringan. Proses deteksi anomali dilakukan menggunakan dua metode unsupervised learning, yaitu Isolation Forest dan One-Class SVM. Isolation Forest bekerja dengan mengisolasi observasi yang memiliki karakteristik berbeda dari mayoritas data, sedangkan One-Class SVM membentuk batas terhadap pola data normal dan mengidentifikasi observasi yang berada di luar batas tersebut sebagai kandidat anomali. Hasil pengolahan berupa data traffic yang telah dibersihkan, nilai RequestCount, anomaly score, serta klasifikasi Normal atau Anomali. Informasi tersebut dapat digunakan untuk menelusuri pola traffic dan alamat IP yang memerlukan pemeriksaan lebih lanjut. Namun, jumlah data, jumlah anomali, dan metrik evaluasi belum dapat ditentukan karena file CSV dan hasil eksekusi model belum tersedia. Hasil penelitian selanjutnya dapat digunakan sebagai dasar pengembangan sistem pemantauan keamanan jaringan berbasis deteksi anomali. Kata Kunci: Traffic Jaringan, Deteksi Anomali, Wireshark, Isolation Forest, One-Class SVM, Machine Learning.]]>
Copyrights © 2026
