LyndHub
Jadwal Sholat

Memuat jadwal sholat…

← Semua jurnalIndeks pencarian

Editorial ilmu komputer

Open AccessOA2025

Meningkatkan Akurasi Deteksi Intrusi Jaringan Menggunakan Sistem Deteksi Intrusi Jaringan Hibrida Berbasis Algoritma Isolation Forest dan Random Forest

Penelitian ini mengusulkan sistem deteksi intrusi hibrida yang mengintegrasikan Suricata dengan Isolation Forest dan Random Forest untuk meningkatkan deteksi ancaman baru dan mengurangi positif palsu. Hasil eksperimen menunjukkan akurasi tinggi pada data simulasi maupun dataset tolok ukur, menawarkan kerangka kerja yang skalabel untuk keamanan jaringan perusahaan.
Ryan Wang; R. Avrianto· Jurnal Teknik Informatika (Jutif)· 2025· DOI 10.52436/1.jutif.2025.6.6.4694

Masalah inti

Meningkatnya kecanggihan serangan siber menjadikan keamanan jaringan sebagai perhatian kritis bagi organisasi yang menangani data sensitif dan berskala besar. Sistem deteksi intrusi (IDS) tradisional seperti Suricata bergantung pada metode berbasis tanda tangan, yang efektif terhadap ancaman yang diketahui tetapi sering gagal mendeteksi serangan zero-day atau yang terus berkembang. Keterbatasan ini menciptakan kebutuhan mendesak akan mekanisme deteksi yang lebih adaptif dan cerdas. Untuk mengatasi kesenjangan tersebut, penelitian ini mengusulkan IDS hibrida yang menggabungkan inspeksi paket waktu nyata dan penyaringan anomali Suricata dengan algoritma pembelajaran mesin—Isolation Forest dan Random Forest. Tujuannya adalah meningkatkan deteksi ancaman baru sekaligus mengurangi positif palsu, sehingga meningkatkan postur keamanan secara keseluruhan. Penelitian ini menyumbangkan kerangka kerja skalabel yang mengintegrasikan deteksi berbasis anomali dan tanda tangan, dengan implikasi praktis bagi jaringan tingkat perusahaan dan pertahanan keamanan siber yang cerdas.

Inovasi

IDS hibrida yang diusulkan beroperasi dalam dua tahap: Suricata melakukan inspeksi paket awal dan penyaringan anomali, menghasilkan peringatan untuk lalu lintas yang mencurigakan. Peringatan tersebut, bersama dengan data jaringan mentah, dipraproses dan dimasukkan ke dalam pipeline pembelajaran mesin. Pipeline ini menggunakan Isolation Forest untuk deteksi anomali tanpa pengawasan dan Random Forest untuk klasifikasi terawasi terhadap pola serangan yang diketahui. Model dilatih pada kombinasi dataset CICIDS2017 dan data serangan simulasi yang dihasilkan dalam lingkungan terkendali. Lalu lintas jaringan waktu nyata ditangkap dan diproses untuk mengevaluasi kinerja sistem. Metrik utama meliputi akurasi, presisi, recall, dan -score. Pendekatan hibrida ini memanfaatkan kekuatan deteksi berbasis tanda tangan dan berbasis anomali, dengan tujuan mendeteksi ancaman yang tidak diketahui sekaligus meminimalkan alarm palsu. Arsitektur tersebut dapat direpresentasikan sebagai berikut:

Alur ini memastikan bahwa serangan yang diketahui maupun yang baru dapat diidentifikasi dengan akurasi tinggi.

Pendahuluan
Meningkatnya kecanggihan serangan siber menjadikan keamanan jaringan sebagai perhatian kritis bagi organisasi yang menangani data sensitif dan berskala besar. Sistem deteksi intrusi (IDS) tradisional seperti Suricata bergantung pada metode berbasis tanda tangan, yang efektif terhadap ancaman yang diketahui tetapi sering gagal mendeteksi serangan zero-day atau yang terus berkembang. Keterbatasan ini menciptakan kebutuhan mendesak akan mekanisme deteksi yang lebih adaptif dan cerdas. Untuk mengatasi kesenjangan tersebut, penelitian ini mengusulkan IDS hibrida yang menggabungkan inspeksi paket waktu nyata dan penyaringan anomali Suricata dengan algoritma pembelajaran mesin—Isolation Forest dan Random Forest. Tujuannya adalah meningkatkan deteksi ancaman baru sekaligus mengurangi positif palsu, sehingga meningkatkan postur keamanan secara keseluruhan. Penelitian ini menyumbangkan kerangka kerja skalabel yang mengintegrasikan deteksi berbasis anomali dan tanda tangan, dengan implikasi praktis bagi jaringan tingkat perusahaan dan pertahanan keamanan siber yang cerdas.

Mengapa penting

Temuan ini menegaskan keunggulan mengintegrasikan pembelajaran mesin dengan IDS berbasis tanda tangan tradisional. Model hibrida mengatasi keterbatasan utama sistem yang berdiri sendiri: model ini meningkatkan deteksi serangan zero-day dan mengurangi positif palsu, yang umum terjadi pada sistem berbasis anomali. Penggunaan Isolation Forest untuk deteksi anomali tanpa pengawasan dan Random Forest untuk klasifikasi terawasi menciptakan efek komplementer, di mana setiap algoritma mengompensasi kelemahan algoritma lainnya. Akurasi tinggi pada data simulasi maupun dataset tolok ukur menunjukkan bahwa model tersebut menggeneralisasi dengan baik di berbagai lingkungan jaringan. Namun, penelitian ini juga mengakui potensi tantangan, seperti overhead komputasi dan kebutuhan pembaruan model secara berkelanjutan untuk beradaptasi dengan ancaman baru. Penelitian selanjutnya dapat mengeksplorasi teknik pembelajaran mendalam dan penerapan waktu nyata pada jaringan perusahaan berskala besar. Secara keseluruhan, penelitian ini memajukan bidang keamanan jaringan dengan menyediakan kerangka kerja IDS yang skalabel dan adaptif yang menggabungkan deteksi berbasis tanda tangan dan anomali, menawarkan implikasi praktis bagi pertahanan keamanan siber yang cerdas.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…