Pengembangan Sistem Deteksi Serangan Siber Berbasis Machine Learning pada Jaringan Lokal dan Log Aplikasi Web Institusi Pendidikan

Abstract

Keamanan siber pada jaringan lokal institusi pendidikan saat ini menghadapi tantangan yang semakin kompleks seiring dengan tingginya ketergantungan terhadap infrastruktur digital seperti sistem informasi akademik (SIAKAD). Serangan seperti SQL injection, brute force login, Distributed Denial of Service (DDoS), hingga ancaman zero-day sulit dideteksi secara efektif menggunakan sistem konvensional berbasis aturan (signature-based). Penelitian ini mengusulkan pengembangan Sistem Deteksi Intrusi Jaringan (NIDS) adaptif berbasis machine learning yang memanfaatkan algoritma Random Forest, K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Decision Tree. Untuk mengatasi kendala ketidakseimbangan kelas (class imbalance) pada lalu lintas jaringan lokal dan log akses, diimplementasikan teknik Synthetic Minority Oversampling Technique (SMOTE) serta seleksi fitur berbasis Information Gain untuk reduksi dimensi. Eksperimen dilakukan menggunakan kombinasi data log aktivitas sistem informasi akademik dan dataset benchmark NSL-KDD. Hasil evaluasi menunjukkan bahwa algoritma Random Forest mencapai performa terbaik pada klasifikasi lalu lintas jaringan dengan akurasi sebesar 98,76%, presisi 98,12%, recall 98,54%, dan F1-Score 98,33%. Sementara pada data log aktivitas, Random Forest mencapai akurasi sebesar 92%, melampaui Decision Tree yang hanya mencapai 87%. Penerapan seleksi fitur berbasis Information Gain mampu mereduksi dimensi dari 41 menjadi 20 fitur paling informatif serta meningkatkan efisiensi waktu pelatihan sebesar 34%. Hasil ini menegaskan bahwa sistem yang dikembangkan sangat potensial untuk diintegrasikan dalam infrastruktur keamanan jaringan institusi pendidikan guna memfasilitasi deteksi dini dan respons otomatis terhadap ancaman siber secara stabil.

GS Cited Analysis