STMIKJAYAKARTASTMIKJAYAKARTA

Journal of Information System, Applied, Management, Accounting and ResearchJournal of Information System, Applied, Management, Accounting and Research

Perkembangan teknologi informasi dan meningkatnya aktivitas digital telah menyebabkan tingginya risiko serangan terhadap jaringan komputer. Berbagai bentuk serangan siber, seperti akses tidak sah dan aktivitas berbahaya, dapat mengancam keamanan serta kerahasiaan data. Oleh karena itu, diperlukan sebuah mekanisme keamanan yang mampu mendeteksi serangan secara efektif, salah satunya melalui penerapan Intrusion Detection System (IDS). Penelitian ini bertujuan untuk mengimplementasikan algoritma Naïve Bayes dalam mendeteksi akses tidak sah pada jaringan komputer. Dataset yang digunakan adalah UNSW‑NB15, yang telah melalui tahap praproses data sehingga menghasilkan sebanyak 82.332 record yang siap digunakan untuk proses klasifikasi. Metode evaluasi yang diterapkan adalah 10‑Fold Cross Validation dengan bantuan perangkat lunak RapidMiner. Hasil pengujian menunjukkan bahwa algoritma Naïve Bayes mampu memberikan kinerja yang sangat baik dalam mengklasifikasikan trafik jaringan. Model yang dihasilkan memperoleh nilai akurasi sebesar 95,96%, precision 94,11%, recall 98,85%, serta nilai Area Under Curve (AUC) sebesar 0,964. Nilai AUC yang tinggi menunjukkan bahwa model memiliki kemampuan yang sangat baik dalam membedakan antara trafik normal dan trafik serangan. Berdasarkan hasil tersebut, dapat disimpulkan bahwa algoritma Naïve Bayes layak digunakan sebagai metode klasifikasi dalam sistem deteksi intrusi untuk meningkatkan keamanan jaringan komputer.

Berdasarkan hasil penelitian, algoritma Naïve Bayes mampu mendeteksi akses tidak sah pada jaringan komputer dengan akurasi 95,96%, precision 94,11%, recall 98,85%, dan AUC 0,964, menunjukkan kemampuan klasifikasi yang tinggi.Meskipun mengasumsikan independensi fitur dan memiliki kompleksitas komputasi rendah, Naïve Bayes tetap memberikan performa kompetitif pada dataset modern seperti UNSW‑NB15.Oleh karena itu, algoritma ini dapat menjadi solusi IDS yang efektif, efisien, dan cocok untuk lingkungan dengan keterbatasan sumber daya komputasi.

Penelitian selanjutnya dapat mengevaluasi kinerja algoritma klasifikasi lain seperti Random Forest atau jaringan saraf tiruan pada dataset UNSW‑NB15 dan dataset terbaru untuk membandingkan akurasi serta kecepatan deteksi. Selain itu, diperlukan pengembangan sistem IDS berbasis streaming data untuk menguji kemampuan deteksi secara real‑time, termasuk analisis latensi dan konsumsi sumber daya pada jaringan yang terus berubah. Selanjutnya, studi dapat memfokuskan pada teknik seleksi fitur atau reduksi dimensi guna mengurangi jumlah atribut yang tidak relevan, sehingga meningkatkan presisi deteksi sekaligus menurunkan tingkat false positive dalam lingkungan jaringan dengan beban tinggi.

Read online
File size773.45 KB
Pages7
DMCAReport

Related /

ads-block-test