Terjadinya peningkatan terhadap serangan siber pada jaringan komputer hingga detik ini, karena itu sistem pendeteksi intrusi akan diperlukan secara adaptif dan akurat untuk kebutuhan perlindungan dari anomali. Penelitian ini memiliki tujuan dalam menganalisis dan membandingkan kinerja dari beberapa algoritma mesin pembelajaran dalam mendeteksi serangan jaringan menggunakan dataset CICIDS2018. Random Forest, Support Vector Machine, dan K-Nearest Neighbor adalah tiga algoritma yang digunakan. Dataset yang dianalisis mencangkup tiga jenis serangan, diantaranya Brute Force-XSS, DoS Hulk, dan Ddos LOIC-HTTP. Data pada penelitian ini diproses melalui tahapan pra-pemrosesan, normalisasi fitur, serta pembagian data menjadi data latih dan data uji. Evaluasi performa model diambil dari nilai matriks kebingungan, akurasi, dan tingkat positif palsu(FPR). Hasil uji menunjukkan algoritma Random Forest memberikan performa konsisten dengan nilai akurasi tinggi dan FPR rendah pada seluruh dataset. Untuk Support Vector Machine menunjukkan sensitivitas terhadap ketidakseimbangan data pada beberapa skenario, dan untuk KNN dengan hasil yang kompetitif pada dataset tertentu. Penelitian ini nantinya diharapkan dapat menjadi referensi dalam pengembangan yang berbasis mesin pembelajaran khususnya pada sistem deteksi intrusi.
Copyrights © 2026