ANALISIS DATA SERANGAN SIBER BERDASARKAN JENIS DAN TARGET SERANGAN MENGGUNAKAN ALGORITMA ENSEMBLE RANDOM FOREST

Putra, Deva Prawana (2026) ANALISIS DATA SERANGAN SIBER BERDASARKAN JENIS DAN TARGET SERANGAN MENGGUNAKAN ALGORITMA ENSEMBLE RANDOM FOREST. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER - ABSTRAK)
COVER.pdf - Published Version
Download (1MB)
[img] Text (BAB I)
BAB I.pdf - Published Version
Download (205kB)
[img] Text (BAB II)
BAB II.pdf - Published Version
Restricted to Registered users only
Download (635kB)
[img] Text (BAB III)
BAB III.pdf - Published Version
Restricted to Registered users only
Download (211kB)
[img] Text (BAB IV)
BAB IV.pdf - Published Version
Restricted to Registered users only
Download (716kB)
[img] Text (BAB V)
BAB V.pdf - Published Version
Download (79kB)
[img] Text (DAFTAR PUSTAKA - LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf - Published Version
Restricted to Registered users only
Download (264kB)
[img] Archive (SOURCE CODE)
Sourcecode - 21.11.4215.zip
Restricted to Repository staff only
Download (437kB)
[img] Text (PUBLIKASI)
Publikasi.pdf - Published Version
Restricted to Repository staff only
Download (710kB)

Abstract

Dalam ekosistem digital yang semakin rentan terhadap ancaman, kemampuan sistem keamanan untuk membedakan antara aktivitas pengguna yang sah dan upaya serangan siber menjadi sangat krusial. Penelitian ini mengusulkan implementasi algoritma Ensemble Random Forest yang diperkuat dengan teknik optimasi Hyperparameter Tuning berbasis Grid Search untuk membangun sistem deteksi intrusi jaringan yang handal. Studi ini memanfaatkan dataset Cybersecurity Intrusion dengan skenario pengujian yang ketat, membagi data menjadi 80% untuk pelatihan dan 20% untuk validasi. Berdasarkan hasil evaluasi komprehensif, model yang dikembangkan berhasil mencatatkan akurasi global sebesar 89,68%. Indikator kinerja yang paling signifikan adalah tercapainya nilai Precision sebesar 1,00 pada kelas intrusi, yang merefleksikan kemampuan model yang sangat selektif dalam mengisolasi ancaman tanpa menghasilkan alarm palsu (Zero False Positives) yang sering menjadi kendala dalam operasional keamanan. Namun demikian, nilai Recall tercatat sebesar 0,77, yang mengindikasikan bahwa model masih melewatkan sekitar 23% dari total serangan yang ada (False Negative). Selain itu, analisis terhadap fitur dominan mengonfirmasi bahwa frekuensi kegagalan login dan skor reputasi IP adalah variabel kunci dalam mendeteksi anomali. Dengan demikian, penelitian ini menyimpulkan bahwa pendekatan optimasi parameter pada algoritma Random Forest mampu menghasilkan mekanisme pertahanan yang tidak hanya efektif secara statistik, tetapi juga efisien dan stabil untuk diterapkan dalam memitigasi risiko serangan siber.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Subektiningsih, Subektiningsih
Uncontrolled Keywords: Deteksi Intrusi, Random Forest, Grid Search, Keamanan Siber, Zero False Positive, Intrusion Detection, Cybersecurity.
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 23 Jul 2026 02:10
Last Modified: 23 Jul 2026 02:10
URI: http://eprints.amikom.ac.id/id/eprint/32319

Actions (login required)

View Item View Item