Pendeteksian Anomali Trafik Jaringan Menggunakan Metode Decision Tree
DOI:
https://doi.org/10.65371/metrokom.v1i1.12Kata Kunci:
Pendeteksian, Anomali;, Trafik Jaringan, Decision Tree;Abstrak
Meningkatnya penetrasi jaringan komputer yang terhubung ke internet, risiko network intrusion
semakin meningkat. Intrusi seperti ini mencoba melewati mekanisme keamanan jaringan. Salah satu cara untuk mendeteksi intrusi adalah dengan menganalisis aktivitas trafik jaringan. Namun, analisis manual seluruh data jaringan bisa rumit dan memakan waktu. Decision tree dapat digunakan untuk mengelompokkan peristiwa dalam jaringan berdasarkan atribut-atribut tertentu. Ini memungkinkan penciptaan aturan yang dapat mendeteksi pola anomali dalam trafik jaringan. Dengan memetakan peristiwa jaringan ke dalam bagian unik dalam decision tree, aturan-aturan tersebut dapat dikembangkan. Membangun aturan-aturan berdasarkan urutan bagian dari decision tree memungkinkan identifikasi tanda-tanda intrusion, membantu mendeteksi upaya-upaya intrusi dalam
jaringan. Pendekatan ini memberikan cara yang lebih efisien bagi analis jaringan untuk mengidentifikasi aktivitas trafik jaringan yang tidak normal, tanpa perlu memeriksa setiap data secara manual. Dengan demikian, penggunaan decision tree meningkatkan kemampuan deteksi intrusion dalam jaringan, menjaga jaringan komputer dari serangan cyber yang semakin kompleks dan beragam. Ini adalah langkah penting dalam memperkuat keamanan infrastruktur digital kita.
Referensi
Ginting, S. E. B., Widodo, A. W., & Adikara, P. P. (2018). Voting Based Extreme Learning Machine dalam Klasifikasi Computer Network Intrusion Detection. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(6), 2158–2167.
Hardani, M. S., & Ramli, K. (2022). Perancangan Manajemen Risiko Keamanan Sistem Informasi Manajemen Sumber Daya dan Perangkat Pos dan Informatika (SIMS) Menggunakan Metode NIST 800-30. JURIKOM (Jurnal Riset Komputer), 9(3), 591–599.
Imam, R. M., Sukarno, P., & Nugroho, M. A. (2019). Deteksi Anomali Jaringan Menggunakan Hybrid Algorithm. E-Proceeding of Engineering, 6(2), 8766–8787.
Lappas, T., & Pelechrinis, K. (2007). Data mining techniques for (network) intrusion detection systems. Department of Computer Science and Engineering UC Riverside, Riverside CA, 92521.
Lindblom, H. (2023). Nuking Duke Nukem: Reaching the Stack via a Glboal Buffer Overflow in DOS Protected Mode.
Marlina, D., & Bakri, M. (2021). Penerapan Data Mining Untuk Memprediksi Transaksi Nasabah Dengan Algoritma C4. 5. Jurnal Teknologi Dan Sistem Informasi, 2(1), 23–28.
Maulana, A. B., Hartiana, S. N., & Fardan, F. (2023). Analisis Serangan Denial Of Service (DOS) Pada Jaringan Privat Seluler 5G Stand Alone Berbasis Open Seluler. EProceedings of Engineering, 9(6).
Meera, G. (2010). Adaptive Machine Learning Algorithm (AMLA) Using J48 Classifier. Advances in Computational Sciences and Technology, 3, 291–304.
Najib, W., & Sulistyo, S. (2020). Tinjauan Ancaman dan Solusi Keamanan pada Teknologi Internet of Things. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 9(4), 375–384.
Riadi, I., Umar, R., & Aini, F. D. (2019). Analisis Perbandingan Detection Traffic Anomaly Dengan Metode Naive Bayes Dan Support Vector Machine (Svm). ILKOM Jurnal Ilmiah, 11(1), 17–24.
Saputra, A. M. A., Kharisma, L. P. I., Rizal, A. A., Burhan, M. I., & Purnawati, N. W. (2023). TEKNOLOGI INFORMASI: Peranan TI dalam berbagai bidang. PT. Sonpedia Publishing Indonesia.
Setya Wijaya, E. (2012). Deteksi Anomali Trafik Jaringan Dengan Menggunakan Metode Decision Tree. Universitas Dian Nuswantoro.
Sinaga, S., Sembiring, R. W., & Sumarno, S. (2022). Penerapan Algoritma Naive Bayes untuk Klasifikasi Prediksi Penerimaan Siswa Baru. Journal of Machine Learning and Data Analytics, 1(1), 55–64.
Siriporn, O., & Benjawan, S. (2008). Anomaly Detection and Characterization to Classify Traffic Anomalies. Case Study: TOT Public Company Limited Network. World Academy of Science, Engineering and Technology, 48, 407–415.
