Perbandingan Kinerja Algoritma Naïve Bayes, Decision Tree, dan Support Vector Machine dalam Deteksi Serangan Siber Berdasarkan Log Sistem di Universitas Muhammadiyah Purwokerto
DOI:
https://doi.org/10.52436/1.jpti.1196Kata Kunci:
Deteksi Ancaman, Klasifikasi, Machine Learning, Serangan Siber, Sistem InformasiAbstrak
Keamanan sistem informasi merupakan aspek vital dalam era digital, terutama bagi institusi pendidikan yang sangat bergantung pada infrastruktur teknologi dan rentan terhadap serangan siber. Salah satu faktor penyebab lemahnya pertahanan siber adalah kurangnya pemanfaatan data log sistem sebagai alat deteksi dini terhadap potensi ancaman. Penelitian ini bertujuan untuk mengevaluasi efektivitas tiga algoritma klasifikasi machine learning—Naive Bayes, Decision Tree, dan Support Vector Machine—dalam mendeteksi serangan siber menggunakan data log sistem dari Biro Sistem Informasi Universitas Muhammadiyah Purwokerto. Metode penelitian meliputi preprocessing data, pemisahan data menjadi data latih dan uji, pelatihan model, serta evaluasi kinerja menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa algoritma Decision Tree memberikan performa terbaik dengan akurasi 99,50% dan nilai evaluasi sebesar 0,9983 pada seluruh metrik. Sementara itu, Naive Bayes memperoleh akurasi terendah sebesar 67,50%, dan Support Vector Machine mencapai 77,25% dengan nilai evaluasi 0,9200. Berdasarkan temuan ini, Decision Tree direkomendasikan sebagai algoritma utama dalam pengembangan sistem deteksi dini untuk meningkatkan keamanan dan ketahanan infrastruktur teknologi informasi di lingkungan perguruan tinggi.
Unduhan
Referensi
D. Hariyadi and F. E. Nastiti, “Analisis Keamanan Sistem Informasi Menggunakan Sudomy dan OWASP ZAP di Universitas Duta Bangsa Surakarta,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 35–42, 2021, doi: 10.31603/komtika.v5i1.5134.
H. S. Lallie, A. Thompson, E. Titis, and P. Stephens, “Analysing Cyber Attacks and Cyber Security Vulnerabilities in the University Sector,” Computers, vol. 14, no. 2, pp. 1–28, 2025, doi: 10.3390/computers14020049.
T. G. Laksana and S. Mulyani, “Pengetahuan Dasar Identifikasi Dini Deteksi Serangan Kejahatan Siber Untuk Mencegah Pembobolan Data Perusahaan,” J. Ilm. Multidisiplin, vol. 3, no. 01, pp. 109–122, 2024, doi: 10.56127/jukim.v3i01.1143.
C. Tarigan, V. Jeremias, L. Engel, and D. Angela, “Sistem Pengawasan Kinerja Jaringan Server Web Apache dengan Log Management System ELK ( Elasticsearch , Logstash , Kibana ),” pp. 7–14, 2018.
M. P. Aji, “Klasifikasi Tingkat Ancaman Siber menggunakan Pembelajaran Mesin pada Web Application Firewall (WAF) Cyber,” J. Media Pratama, vol. 17, no. 1, pp. 61–73, 2023.
A. Purnomo, A. Kurniasih, A. Nuraminah, and S. Hartati, “Peran Artificial Intelligence dalam Deteksi Dini Ancaman Keamanan Jaringan,” vol. 13, pp. 2044–2048, 2024.
A. T. Zy, A. T. Sasongko, and A. Z. Kamalia, “Penerapan Naïve Bayes Classifier, Support Vector Machine, dan Decision Tree untuk Meningkatkan Deteksi Ancaman Keamanan Jaringan,” Media Online), vol. 4, no. 1, pp. 610–617, 2023, doi: 10.30865/klik.v4i1.1134.
B. Siswoyo, “MultiClass Decision Forest Machine Learning Artificial Intelligence,” J. Appl. Informatics Comput., vol. 4, no. 1, pp. 1–7, 2020, doi: 10.30871/jaic.v4i1.1155.
H. Kibriya, R. Amin, J. Kim, M. Nawaz, and R. Gantassi, “A Novel Approach for Brain Tumor Classification Using an Ensemble of Deep and Hand-Crafted Features,” Sensors, vol. 23, no. 10, 2023, doi: 10.3390/s23104693.
K. S. Arlandy et al., “Mengoptimalkan Kinerja Naïve Bayes Pada Ancaman Modern Dengan Menggunakan PCA Pada Data Intrusion Detection System (IDS),” vol. 8, no. 1, 2025.
A. I. S. Azis, Budy Santoso, and Serwin, “Local Learning K-Nearest Neighbor in Absolute Correlation Weighted Naïve Bayes for Numerical Data Classification,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 1, pp. 28–36, 2020, doi: 10.29207/resti.v4i1.1348.
A. C. Fauzan and K. Hikmah, “Implementasi Algoritma Naive Bayes Dalam Analisis Polarisasi Opini Masyarakat Terkait Vaksin Covid-19,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 7, no. 2, pp. 122–128, 2022, doi: 10.36341/rabit.v7i2.2403.
Rayuwati, Husna Gemasih, and Irma Nizar, “Implementasi Algoritma Naive Bayes untuk Memprediksi Tingkat Penyebaran Covid-19 di Indonesia,” Jural Ris. Rumpun Ilmu Tek., vol. 1, no. 1, pp. 38–46, 2022, doi: 10.55606/jurritek.v1i1.127.
I. Sutoyo, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik,” J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 217, 2018, doi: 10.33480/pilar.v14i2.926.
Y. Purwananto, D. Purwitasari, and Y. Nugroho, “Pengkategorian Isi Berita Berbahasa Indonesia Menggunakan Algoritma Symbolic Rule Induction Berbasis Decision Tree,” JUTI J. Ilm. Teknol. Inf., vol. 3, no. 1, p. 55, 2004, doi: 10.12962/j24068535.v3i1.a131.
T. Wiratama Putra, A. Triayudi, and A. Andrianingsih, “Analisis Sentimen Pembelajaran Daring Menggunakan Metode Naïve Bayes, KNN, dan Decision Tree,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 6, no. 1, pp. 20–26, 2022, doi: 10.35870/jtik.v6i1.368.
W. S. Noble, “What is a support vector machine?,” Nat. Biotechnol., vol. 24, no. 12, pp. 1565–1567, 2006, doi: 10.1038/nbt1206-1565.
F. Fahmi, “Model Support Vector Regression (SVR) Berdimensi Tinggi dengan Pendekatan Fungsi Kernel Berbeda untuk Peramalan Harga Saham TLKM: Sebuah Pemodelan Deret Waktu Selama Masa Pandemi Covid-19,” J. Infomedia, vol. 5, no. 2, p. 44, 2021, doi: 10.30811/jim.v5i2.2033.
C. Xia et al., Classification research on syndromes of TCM based on SVM. 2009. doi: 10.1109/BMEI.2009.5305418.
R. R. S. Putri Kumala Sari, “Komparasi Algoritma Support Vector Machine dan Random Forest untuk Analisis Sentimen Metaverse,” vol. 7, no. 1, pp. 31–39, 2024.
S. Dalal et al., “Next-generation cyber attack prediction for IoT systems: leveraging multi-class SVM and optimized CHAID decision tree,” J. Cloud Comput., vol. 12, no. 1, 2023, doi: 10.1186/s13677-023-00517-4.
