Model Clustering Anomali Detection pada Jaringan LAN dengan Algoritma K-Means
DOI:
https://doi.org/10.30865/json.v7i2.9173Keywords:
Deteksi Anomali;Jaringan LAN; Clustering K-Means; Traffic Jaringan; Confusion MatrixAbstract
Penelitian ini menganalisis deteksi anomali pada jaringan LAN PT. Jala Lintas Media menggunakan metode clustering K-Means. Sebanyak 156 paket trafik jaringan digunakan sebagai dataset, yang diekstraksi menjadi beberapa fitur utama seperti panjang paket, jenis protokol, flag koneksi, ukuran payload, dan waktu kedatangan paket. Proses clustering dilakukan untuk memisahkan pola trafik normal dan anomali, kemudian hasilnya dievaluasi menggunakan confusion matrix berdasarkan label aktual. Model menghasilkan precision 100%, menunjukkan bahwa seluruh paket yang terdeteksi sebagai anomali benar-benar merupakan anomali. Namun, recall hanya 61%, yang mengindikasikan bahwa model gagal mendeteksi sebagian besar anomali. Rendahnya recall dipengaruhi oleh ketidakseimbangan distribusi data (anomali jauh lebih sedikit), kemiripan fitur antara trafik normal dan anomali, serta nilai K yang belum sepenuhnya memisahkan cluster secara optimal. F1-Score sebesar 76% menunjukkan kebutuhan untuk meningkatkan sensitivitas model terhadap variasi anomali. Penelitian ini berkontribusi pada pemahaman penerapan K-Means dalam deteksi anomali jaringan LAN serta memberikan arah pengembangan metode yang lebih adaptif untuk meningkatkan deteksi anomali di lingkungan jaringan operasional.
References
R. Rahman, “Analisis Pola Trafik Internet Menggunakan Teknik Data Mining Untuk Peningkatan Keamanan Jaringan,” Logicloom, vol. 1, no. 4, pp. 1–21, 2024, [Online]. Available: https://logicloom.id/index.php/Jurnallogicloom/article/view/82
A. Santoso and I. Komputer, “DETEKSI DINI ANCAMAN KEAMANAN CYBER MENGGUNAKAN DATA MINING PADA LOG KEAMANAN,” vol. 1, no. 4, pp. 1–21, 2024.
J. Ulrich et al., “Artikel A–Z,” Metzler Lex. Christlicher Denker, vol. 1, no. 1, pp. 1–761, 2000, doi: 10.1007/978-3-476-05273-5_1.
T. Tan, H. Sama, G. Wijaya, and O. E. Aboagye, “Studi Perbandingan Deteksi Intrusi Jaringan Menggunakan Machine Learning: (Metode SVM dan ANN) Comparative Study of Network Intrusion Detection Using Machine Learning: (SVM and ANN Method),” J. Teknol. dan Inf., vol. 13, no. 2, pp. 152–164, 2023, doi: 10.34010/jati.v13i2.
E. Hariyanti, D. P. Hostiadi, Anggreni, Yohanes Priyo Atmojo, I Made Darma Susila, and I. Tangkawarow, “Analisis Perbandingan Metode Seleksi Fitur pada Model Klasifikasi Decission Tree untuk Deteksi Serangan di Jaringan Komputer,” J. Sist. dan Inform., vol. 18, no. 2, pp. 208–217, 2024, doi: 10.30864/jsi.v18i2.615.
H. A. Damanik and M. Anggraeni, “Analisis dan Mitigasi Kerentanan DDoS pada Infrastuktur Jaringan dengan Teknik Hierarchical Clustering dan Firewall IPTables,” J. Pekommas, vol. 10, no. 1, pp. 29–38, 2025, doi: 10.56873/jpkm.v9i1.5551.
Deti Karmanita and Billy Hendrik, “Penerapan Metode Clustering dengan Algoritma K-Means pada Pengelompokkan Peminatan Mata Kuliah,” J. Ilm. Dan Karya Mhs., vol. 1, no. 6, pp. 01–10, 2023, doi: 10.54066/jikma.v1i6.1028.
R. Rahman and E. Fahrezi Iswan, “Implementasi Network Traffic Analisis Untuk Mendeteksi Anomali Jaringan Pada Twitter/X Dan Instagram,” Digibe Digit. Bus. Entrep. J., vol. 2, no. 2, pp. 88–96, 2024, [Online]. Available: https://journal.feb.uniku.ac.id/digibe
J. Mantik, H. Budiati, A. Bima Murti Wijaya, B. Suci Vernando Zebua, and el Pieter Sumihar, “Implementation of K-Means Clustering Method for Network Traffic Anomaly Detection,” J. Mantik, vol. 6, no. 3, pp. 2685–4236, 2022.
S. E. Prasetyo, G. Wijaya, N. Hasanah, J. Jemmy, and P. Syahfira, “Rancangan Jaringan Highly Available PT Pundi Mas Berjaya (PMB),” Telcomatics, vol. 8, no. 1, p. 1, 2023, doi: 10.37253/telcomatics.v8i1.7359.
K. Pratama Simanjuntak and U. Khaira, “Hotspot Clustering in Jambi Province Using Agglomerative Hierarchical Clustering Algorithm,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 7–16, 2021.
N. Hendrastuty, “Pengertian Analisis Data,” J. Ilm. Inform. Dan Ilmu Komput., vol. 3, no. 1, pp. 46–56, 2024, [Online]. Available: https://doi.org/10.58602/jima-ilkom.v3i1.26
A. Gevindo and B. Hendrik, “Penerapan Machine Learning Untuk Mendeteksi Serangan Anomali Dalam Jaringan Komputer : Systematic Literature Review,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 3, pp. 4659–4664, 2025, doi: 10.36040/jati.v9i3.13746.
R. M. Imam, P. Sukarno, and M. A. Nugroho, “Deteksi Anomali Jaringan Menggunakan Hybrid Algorithm,” e-Proceeding Eng., vol. 6, no. 2, pp. 8766–8787, 2019, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/viewFile/9868/9727
Sintia Situmorang and Yahfizham Yahfizham, “Analisis Kinerja Algoritma Machine Learning Dalam Deteksi Anomali Jaringan,” Konstanta J. Mat. dan Ilmu Pengetah. Alam, vol. 1, no. 4, pp. 258–269, 2023, doi: 10.59581/konstanta.v1i4.1722.
G. M. G. Bororing, “Pengembangan Algoritma Machine Learning Untuk Mendeteksi Anomali Dalam Jaringan Komputer,” J. Rev. Pendidik. dan …, vol. 7, pp. 1361–1368, 2024, [Online]. Available: http://journal.universitaspahlawan.ac.id/index.php/jrpp/article/view/25176%0Ahttp://journal.universitaspahlawan.ac.id/index.php/jrpp/article/download/25176/17529
R. Rizqy Alfiansyah, E. Purwanto, and R. Dwi Irawan, “Segmentasi Pelanggan Jaringan Wifi RT/RW Net Menggunakan Metode K-Means Clustering Untuk Analisis Churn (Studi Kasus: PT Nusa Data Multimedia),” Pros. Semin. Nas. Teknol. Inf. dan Bisnis, pp. 349–353, 2025, doi: 10.47701/38s0pt05.
A. Z. Wijaya and I. Sembiring, “Analisis Perilaku Pengguna Internet Dengan Metode K-Means Clustering Dan Pendekatan Davies Bouldin Index Menggunakan Data Log Universitas Xyz,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 2, pp. 878–888, 2024, doi: 10.29100/jipi.v9i2.4750.
D. Subuhanto and L. Tanti, “Model Deteksi Anomali Jaringan Komputer Menggunakan Teknik Machine Learning,” Pros. Semin. Nas. Multi Disiplin Ilmu, vol. 1, no. 1, pp. 239–259, 2024.
A. Fauzan, N. Suarna, I. Ali, and H. Susana, “Penerapan Algoritma K-Means Clustering Untuk Meningkatkan Model Pengelompokan Dan Kinerja Jaringan Wi-Fi Secara Optimal,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 2, 2025, doi: 10.23960/jitet.v13i2.6272.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Sistem Komputer dan Informatika (JSON)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
