KLASIFIKASI SERANGAN SIBER PADA LALU LINTAS JARINGAN KOMPUTER MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR DAN GAUSSIAN NAIVE BAYES BERBASIS DATASET CIC-IDS

Abstrak

Pertumbuhan volume lalu lintas data dan keragaman pola serangan siber menuntut sistem deteksi intrusi jaringan (NIDS) yang responsif dan berakurasi tinggi. Penelitian ini mengevaluasi kinerja algoritma K-Nearest Neighbor (KNN) dan Gaussian Naive Bayes (GNB) dalam mengklasifikasikan trafik jaringan normal dan anomali serangan (DDoS, PortScan, dan Brute Force) memanfaatkan benchmark dataset internasional CIC-IDS2017. Dataset yang terdiri dari 5.000 rekaman alur (flow) diproses melalui seleksi fitur ANOVA F-value untuk memilih 15 atribut paling relevan dan normalisasi Min-Max. Hasil pengujian menunjukkan bahwa algoritma KNN (k=5) menghasilkan akurasi klasifikasi 98,40% dengan presisi 98,20% dan F1-Score 98,30%, jauh melampaui Gaussian Naive Bayes yang memperoleh akurasi 88,10%. Meskipun KNN membutuhkan waktu inferensi lebih tinggi, ketahanan model dalam membedakan paket serangan DoS dan trafik normal membuktikan keandalannya sebagai engine deteksi intrusi cerdas pada jaringan kampus.