PENERAPAN ALGORITMA RANDOM FOREST DAN K-NEAREST NEIGHBOR UNTUK DETEKSI INTRUSI PADA DATASET CICIDS2017

Abstract

Keamanan jaringan komputer merupakan aspek fundamental dalam menjaga integritas, kerahasiaan, dan ketersediaan data di era digital yang semakin kompleks. Intrusion Detection System (IDS) berbasis machine learning telah menjadi solusi efektif dalam mengidentifikasi aktivitas jaringan yang mencurigakan secara otomatis. Penelitian ini mengkaji dan membandingkan performa dua algoritma machine learning populer, yaitu Random Forest (RF) dan K-Nearest Neighbor (KNN), dalam mendeteksi intrusi menggunakan dataset CICIDS2017 yang komprehensif dan representatif. Metodologi penelitian meliputi tahap preprocessing data, pelatihan model, optimasi parameter, dan evaluasi performa menggunakan metrik akurasi, precision, recall, F1-score, serta waktu komputasi. Hasil eksperimen menunjukkan bahwa RF unggul dengan akurasi mencapai 98.5%, sedangkan KNN memperoleh akurasi sebesar 95.2%. Analisis mendalam mengindikasikan bahwa RF lebih mampu menangani data berdimensi tinggi dan kompleksitas fitur yang tinggi dibandingkan KNN. Penelitian ini memberikan kontribusi signifikan dalam pengembangan IDS berbasis machine learning yang efektif dan efisien, serta memberikan rekomendasi untuk implementasi algoritma yang optimal dalam konteks keamanan jaringan.