ANALISIS PERBANDINGAN ALGORITMA KNN DAN NAIVE BAYES UNTUK IDENTIFIKASI SERANGAN BERDASARKAN DATA LOG JARINGAN

Abstract

Peningkatan aktivitas jaringan komputer menyebabkan semakin besarnya volume data log yang perlu dianalisis untuk membedakan aktivitas normal dan serangan siber. Pemanfaatan machine learning dapat membantu proses identifikasi serangan secara lebih cepat dan terukur. Penelitian ini bertujuan menerapkan dan membandingkan algoritma K-Nearest Neighbor (KNN) dan Naive Bayes dalam mengidentifikasi serangan berdasarkan data log jaringan serta mengevaluasi kinerja kedua algoritma menggunakan accuracy, precision, recall, F1-score, AUC, dan waktu komputasi. Metode penelitian menggunakan dataset log jaringan sintetis sebanyak 2.000 record yang terdiri atas 12 atribut prediktor dan satu atribut target dengan dua kelas, yaitu normal dan attack. Data dibagi menjadi 80% data latih dan 20% data uji, kemudian dilakukan transformasi fitur kategorikal, standardisasi menggunakan StandardScaler, serta pemberian noise pada data uji. Algoritma KNN diuji dengan nilai K=1 sampai 20 dan diperoleh K optimal sebesar 5, sedangkan algoritma pembanding menggunakan Gaussian Naive Bayes. Hasil penelitian menunjukkan bahwa KNN memperoleh accuracy 90,25%, precision 89,69%, recall 92,59%, dan F1-score 91,12%, sedangkan Naive Bayes memperoleh accuracy 90,00%, precision 89,64%, recall 92,13%, dan F1-score 90,87%. Nilai AUC KNN sebesar 0,9074 dan Naive Bayes sebesar 0,9060. Naive Bayes memiliki waktu komputasi lebih singkat, sementara hasil 5-fold cross-validation menunjukkan accuracy 92,31% untuk Naive Bayes dan 92,13% untuk KNN. Dengan demikian, kedua algoritma mampu mengidentifikasi serangan dengan performa yang relatif berdekatan, dengan karakteristik keunggulan yang berbeda pada performa klasifikasi dan efisiensi komputasi.