Publisher

STMIKJAYAKARTASTMIKJAYAKARTA

Journal Journal of Information System, Informatics and ComputingJournal of Information System, Informatics and Computing Abstract

Jaringan komputer berkembang sangat pesat saat ini, hingga banyak beberapa perangkat elektronik terhubung dengan internet, namun system keamanan yang diadopsi oleh perangkat tersebut haruslah mumpuni agar tidak mudah terserang ancaman dan bahaya. Peneliti ingin mengetahui tingkat keparahan ancaman dari suatu serangan yang dideteksi oleh firewall menggunakan record data dari suatu perusahaan, dengan menggunakan machine learning yaitu K-Nearest Neighbours dan Decision Tree. Pengelompokan tingkat keparahan pada sistem keamanan jaringan komputer biasa disebut severity. Pada penelitian ini pembatasan tingkatan keparahan serangan menjadi 3 bagian dari yang tingkatan paling tinggi yaitu critical, high dan medium. Dataset yang diolah merupakan hasil log pada firewall sebanyak 5999 dengan 23 kolom atau fitur. Yang terbaik dari ketiga metode tersebut diantaranya K-Nearest Neighbours mendapatkan hasil akurasi sebesar 100%, kemudian Decision Tree mendapatkan hasil akurasi sebesar 100%. Dengan hasil pengolahan data tersebut maka metode machine learning sangat cocok digunakan untuk mengklasifikasikan tingkat keparahan serangan jaringan komputer.

Conclusion

Metode K-Nearest Neighbors sebesar 100%, serta Decision Tree sebesar 100%.Dapat diambil kesimpulan bahwa dari hasil penelitian ini dengan menggunakan metode machine learning K-Nearest Neighbors (KNN) dan Decision Tree, sehingga kedua metode machine learning tersebut mampu optimal digunakan untuk melakukan pengelompokan atau mengklasifikasikan tingkat keparahan (severity) serangan jaringan komputer yang diharapkan oleh peneliti.

Future Research

Penelitian ini membuka peluang untuk pengembangan lebih lanjut yang menarik. Arah penelitian selanjutnya bisa membandingkan kinerja algoritma machine learning lain seperti Random Forest atau Support Vector Machine (SVM) dengan dataset yang jauh lebih beragam dan berasal dari berbagai tipe firewall dan lingkungan jaringan. Hal ini penting untuk menguji seberapa kuat dan generalisabel model klasifikasi saat diimplementasikan di luar konteks data yang digunakan dalam penelitian ini. Ide penelitian lain yang bisa dikembangkan adalah menyempurnakan tingkat granularitas klasifikasi dengan menambahkan kategori keparahan yang lebih spesifik, misalnya low dan informational. Tujuannya adalah agar sistem keamanan dapat membuat keputusan respons yang lebih nuansa dan efisien, seperti mengalokasikan sumber daya hanya untuk ancaman yang benar-benar signifikan. Sebagai langkah lebih lanjut, sebuah studi dapat fokus pada pengembangan model yang tidak hanya bersifat reaktif (mengklasifikasi serangan yang terdeteksi), tetapi juga prediktif. Penelitian ini dapat menjawab pertanyaan: Apakah mungkin membangun sistem machine learning yang mampu memprediksi serangan jaringan secara real-time dan secara otomatis memberikan rekomendasi atau bahkan mengeksekusi tindakan pencegahan pada firewall? Model seperti ini akan mengubah paradigma keamanan dari bertahan menjadi mengantisipasi ancaman sebelum terjadi.

References

1. KLASIFIKASI TINGKAT KEPARAHAN SERANGAN JARINGAN KOMPUTER DENGAN METODE MACHINE LEARNING | Journal of... journal.stmikjayakarta.ac.id/index.php/jisicom/article/view/443KLASIFIKASI TINGKAT KEPARAHAN SERANGAN JARINGAN KOMPUTER DENGAN METODE MACHINE LEARNING Journal of journal stmikjayakarta ac index php jisicom article view 443

Metadata

File size	825.51 KB
Pages	6
DMCA	Report