UNIDHAUNIDHA

Jurnal Sistem Informasi Dan InformatikaJurnal Sistem Informasi Dan Informatika

Keamanan siber menjadi isu krusial dalam sistem informasi akademik yang menyimpan data sensitif seperti nilai, identitas mahasiswa, dan dokumen administrasi. Serangan seperti SQL injection, brute force login, hingga akses ilegal dapat menyebabkan kerugian besar dan gangguan operasional. Penelitian ini bertujuan mengembangkan sistem deteksi serangan siber menggunakan algoritma machine learning yang mampu mengenali aktivitas tidak normal (anomali) dalam sistem. Algoritma yang digunakan adalah Decision Tree dan Random Forest karena kemampuannya dalam klasifikasi dan interpretasi hasil. Penelitian dilakukan dengan mengumpulkan data log aktivitas pengguna, membersihkannya, melabeli data, kemudian melatih model ML. Hasil evaluasi menunjukkan bahwa Random Forest lebih unggul dengan akurasi 92% dalam mendeteksi serangan dibandingkan Decision Tree yang mencapai 87%. Penerapan sistem ini mampu membantu pihak IT kampus melakukan pencegahan dan respons lebih cepat terhadap ancaman siber.

Penelitian ini berhasil membangun model deteksi serangan siber berbasis machine learning yang diterapkan pada sistem informasi akademik.Algoritma Random Forest terbukti lebih efektif dibandingkan Decision Tree dalam hal akurasi dan kemampuan deteksi, dengan nilai akurasi mencapai 92%.Model mampu mengenali aktivitas mencurigakan dalam log sistem, terutama pada pola login, perubahan data, dan akses database.Implementasi sistem deteksi dini berbasis ML ini dapat membantu tim IT kampus merespons serangan secara cepat dan mencegah kerusakan data lebih lanjut.

Penelitian lanjutan dapat difokuskan pada pengembangan sistem deteksi serangan siber yang lebih adaptif dengan memanfaatkan dataset real-time dan memperluas cakupan jenis serangan yang dapat dideteksi, seperti phishing, DDoS, atau ransomware. Selain itu, eksplorasi metode deep learning seperti LSTM atau Autoencoder berpotensi meningkatkan akurasi deteksi pada data log yang bersifat sekuensial. Untuk memaksimalkan efektivitas, sistem deteksi ini perlu diintegrasikan langsung ke dalam sistem informasi akademik, sehingga notifikasi otomatis dapat diberikan saat anomali terdeteksi, memungkinkan respons yang lebih cepat dan terarah. Terakhir, penting untuk melakukan pengujian sistem pada berbagai lingkungan sistem akademik guna memastikan generalisasi model dan kemampuannya beroperasi secara efektif dalam berbagai skenario.

Read online
File size365.71 KB
Pages5
DMCAReport

Related /

ads-block-test