cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Hafizh Al Kautsar Aidilof
Contact Email
hafizh@unimal.ac.id
Phone
+6282168699025
Journal Mail Official
techsi@unimal.ac.id
Editorial Address
Fakultas Teknik Program Studi Teknik Informatika Universitas Malikussaleh Jl. Batam. Kampus Bukit Indah. Gedung Prodi Teknik Informatika. Blang Pulo, Lhokseumawe, Aceh
Location
Kota lhokseumawe,
Aceh
INDONESIA
TECHSI - Jurnal Teknik Informatika
Published by Universitas Malikussaleh
ISSN : 23024836     EISSN : 26146029     DOI : https://doi.org/10.29103/techsi.v13i2.3548
Core Subject : Science, Education,
Computer Science & IT Decision Sciences, Operations Research & Management Education Other
Focus and Scope The fields covered in the scope of TECHSI include: Artificial Intelligence Computer Graphics and Animation Image Processing Cryptography Computer Network Security Modelling and Simulation Information Retrieval Information Filtering Multimedia Bioinformatics and Telemedicine Computer Architecture Design Computer Vision and Robotics Parallel and Distributed Computing Operating System Compiler and Interpreter Information System Game Numerical Methods Mobile Computing Natural Language Processing Data Mining Cognitive System Digital Speech Processing Expert System Geographical Information System Computing Theory
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 241 Documents
 21   22   23   24   25 
Analisis Komparasi Algoritma Random Forest dan Support Vector Machine untuk Deteksi Intrusi Jaringan Fachri Satia Simbolon, Hasanal; Linhar P, Ade; Putra, Rafi Septiawan; Izhari, Fahmi
TECHSI - Jurnal Teknik Informatika Vol. 16 No. 2 (2025)
Publisher : Teknik Informatika Universitas Malikussaleh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29103/techsi.v16i2.25811

Abstract

Meningkatnya kompleksitas serangan siber menuntut adanya sistem keamanan jaringan yang adaptif dan efisien. Intrusion Detection System (IDS) tradisional seringkali memiliki keterbatasan dalam mengenali pola serangan baru. Penelitian ini bertujuan untuk mengevaluasi kinerja dua algoritma Machine Learning, yaitu Random Forest (RF) dan Support Vector Machine (SVM), dalam mengklasifikasikan trafik jaringan normal dan serangan. Eksperimen dilakukan menggunakan dataset NSL-KDD dengan melibatkan seluruh 41 fitur melalui tahapan preprocessing, normalisasi, dan validasi data dengan rasio 80:20. Hasil pengujian menunjukkan bahwa algoritma Random Forest mengungguli SVM dengan tingkat akurasi mencapai 99.78%, presisi 1.00, dan recall 1.00. Sebaliknya, SVM mencatatkan akurasi sebesar 99.03%. Selain unggul dalam akurasi, Random Forest terbukti lebih efisien dengan waktu pelatihan (training time) rata-rata 3.72 detik, hampir dua kali lebih cepat dibandingkan SVM yang membutuhkan 6.61 detik. Berdasarkan hasil tersebut, Random Forest direkomendasikan sebagai algoritma yang lebih efektif untuk implementasi IDS pada lingkungan yang membutuhkan respons waktu nyata (real-time).

Page 25 of 25 | Total Record : 241

 21   22   23   24   25 

Filter by Year

2012 2025


Reset
Filter By Issues
All Issue Vol. 16 No. 2 (2025) Vol. 16 No. 1 (2025) Vol. 15 No. 2 (2024) Vol. 15 No. 1 (2024) Vol. 14 No. 2 (2023) Vol 14, No 1 (2023) Vol. 14 No. 1 (2023) Vol 13, No 2 (2021) Vol 13, No 1 (2021) Vol. 12 No. 2 (2020) Vol 12, No 2 (2020) Vol 12, No 1 (2020) Vol 11, No 3 (2019) Vol 11, No 2 (2019) Vol 11, No 1 (2019) Vol 8, No 2 (2016) Vol 8, No 1 (2016) Vol 7, No 1 (2015) Vol 10, No 2 (2018) Vol 10, No 1 (2018) Vol 9, No 2 (2017) Vol 9, No 1 (2017) Vol 7, No 2 (2015) Vol 6, No 2 (2014) Vol 6, No 1 (2014) Vol 5, No 2 (2013) Vol 5, No 1 (2013) Vol 4, No 1 (2012) More Issue