PENDEKATAN SEMI-SUPERVISED ENSEMBLE LEARNING UNTUK PELABELAN DATA TIDAK BERLABEL DALAM DETEKSI ANOMALI TRAFIK JARINGAN MENGGUNAKAN RANDOM FOREST CLASSIFIER

• FEBRIAN RISQI WIBOWO
• 2025

---

Deteksi anomali dalam trafik jaringan merupakan elemen penting dalam menjaga ketahanan keamanan siber, terutama ketika data yang tersedia tidak memiliki label. Penelitian ini menawarkan pendekatan semi-supervised berbasis ensemble learning untuk mengatasi tantangan tersebut dengan menerapkan tiga algoritma unsupervised secara bersamaan, yaitu Isolation Forest, Gaussian Mixture Model (GMM), dan KMeans Clustering. Dataset yang digunakan berasal dari hasil capture lalu lintas jaringan internal PT Artisan Kuliner Indonesia menggunakan CICFlowMeter. Masing-masing algoritma melakukan identifikasi terhadap pola trafik yang menyimpang dan menghasilkan label prediksi. Label dari ketiga model kemudian dikombinasikan menggunakan metode majority voting untuk memperoleh keputusan akhir. Selanjutnya, label hasil ensemble divalidasi menggunakan algoritma supervised Random Forest guna mengevaluasi performa klasifikasi secara kuantitatif. Pengujian dilakukan pada tiga skenario pembagian data latih dan uji: 60:40, 70:30, dan 80:20. Hasil evaluasi menunjukkan tingkat akurasi hingga 96,49% dengan nilai F1-Score konsisten di atas 94% pada setiap skenario. Temuan ini membuktikan bahwa integrasi multi-model unsupervised dalam sistem ensemble mampu memberikan deteksi anomali yang akurat meskipun tanpa data berlabel. Model yang diusulkan berpotensi besar sebagai sistem peringatan dini yang efisien dan praktis untuk diadopsi dalam lingkungan jaringan industri.

• Deteksi anomali
• Ensemble learning
• Data tidak berlabel
• Isolation Forest
• Gaussian Mixture Model
• K

https://repository.bsi.ac.id/repo/73859/PENDEKATAN-SEMI-SUPERVISED-ENSEMBLE-LEARNING-UNTUK-PELABELAN-DATA-TIDAK-BERLABEL-DALAM-DETEKSI-ANOMALI-TRAFIK-JARINGAN-MENGGUNAKAN-RANDOM-FOREST-CLASSIFIER
File full-text dikunci.