Abstrak

Perkembangan teknologi informasi telah meningkatkan pemanfaatan jaringan komputer pada berbagai sektor, namun juga diikuti dengan meningkatnya ancaman serangan jaringan yang dapat mengganggu keamanan informasi. Oleh karena itu, diperlukan mekanisme yang mampu mengklasifikasikan aktivitas jaringan secara akurat untuk mendukung proses deteksi serangan. Penelitian ini bertujuan membandingkan performa algoritma Random Forest, Support Vector Machine (SVM), dan Naïve Bayes dalam klasifikasi serangan jaringan menggunakan dataset NSL-KDD. Penelitian dilakukan dengan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahapan Business Understanding, Data Understanding, Data Preparation, modeling, Evaluation, dan Deployment. Data pada dataset NSL-KDD dikelompokkan ke dalam dua kelas, yaitu normal dan attack, kemudian dilakukan preprocessing yang sama pada seluruh algoritma. Proses pemodelan menggunakan parameter default (baseline model) tanpa optimasi hyperparameter agar perbandingan mencerminkan kemampuan dasar masing-masing algoritma. Evaluasi dilakukan menggunakan Confusion Matrix dengan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa Random Forest memperoleh performa terbaik dengan nilai Accuracy sebesar 99,66%, Precision sebesar 99,72%, Recall sebesar 99,64%, dan F1-Score sebesar 99,68%. Sementara itu, Support Vector Machine (SVM) memperoleh Accuracy sebesar 98,36%, Precision sebesar 98,22%, Recall sebesar 98,72%, dan F1-Score sebesar 98,47%, sedangkan Naïve Bayes memperoleh Accuracy sebesar 88,32%, Precision sebesar 87,80%, Recall sebesar 90,76%, dan F1-Score sebesar 89,26%. Berdasarkan hasil tersebut, Random Forest merupakan algoritma yang memiliki kemampuan terbaik dalam mengklasifikasikan serangan jaringan pada dataset NSL-KDD dibandingkan dengan Support Vector Machine (SVM) dan Naïve Bayes.