Kombinasi K-Means Dan DBSCAN Dalam Mendeteksi Anomali Jaringan Pada Intrusion Detection System (IDS)

Latar Belakang: Kemajuan teknologi informasi telah meningkatkan kompleksitas lalu lintas jaringan, sehingga mendeteksi serangan siber menjadi semakin menantang. Intrusion Detection System (IDS) dibutuhkan untuk mengidentifikasi aktivitas mencurigakan, namun sering menghadapi kendala dalam membedakan lalu lintas normal dan anomali. Untuk itu, diperlukan metode deteksi yang efektif
dalam sistem keamanan jaringan.
Tujuan: Penelitian ini bertujuan untuk mengkaji efektivitas kombinasi algoritma K-Means dan DBSCAN dalam mendeteksi anomali jaringan, pada serangan DoS, pada sistem IDS.
Metode Penelitian: Metode yang digunakan adalah kombinasi algoritma K-Means dan DBSCAN secara sekuensial. K-Means digunakan untuk klasterisasi awal, sedangkan DBSCAN diterapkan untuk mendeteksi outlier sebagai anomali. Data
yang digunakan adalah dataset UNSW-NB15, yang mencakup berbagai jenis serangan siber. Evaluasi dilakukan dengan Silhouette Score untuk mengukur kualitas cluster dan False Positive Rate (FPR) untuk menilai tingkat kesalahan deteksi.
Hasil: Hasil klasterisasi dengan K-Means menunjukkan nilai Silhouette Score tertinggi sebesar 0,8377 pada jumlah cluster terbaik k=4. DBSCAN berhasil mengidentifikasi 3.281 anomali dari total 16.353 data serangan DoS. Evaluasi menunjukkan FPR = 0, yang berarti tidak ada data normal yang salah terdeteksi sebagai serangan.
Kesimpulan: Kombinasi K-Means dan DBSCAN terbukti efektif dalam mendeteksi anomali pada IDS, dengan pemisahan cluster yang baik dan tingkat kesalahan deteksi yang sangat rendah.