Identifikasi Anomali Traffic Data Jaringan Wi-Fi Menggunakan Metode Isolation Forest dan One-Class SVM

Muhamad Andy, Anjik Sukmaaji

Sari


Peningkatan penggunaan jaringan Wi-Fi menyebabkan kepadatan traffic data semakin tinggi sehingga diperlukan proses pemantauan untuk mendeteksi aktivitas yang menyimpang dari pola normal jaringan. Penelitian ini bertujuan mengidentifikasi anomali pada data traffic Wi-Fi hasil tangkapan Wireshark tanpa bergantung pada ketersediaan label serangan yang lengkap. Data paket jaringan dikumpulkan menggunakan Wireshark, kemudian diekspor ke dalam format CSV untuk dilakukan preprocessing. Selanjutnya, dibentuk fitur RequestCount sebagai representasi aktivitas permintaan jaringan. Proses deteksi anomali dilakukan menggunakan dua metode unsupervised learning, yaitu Isolation Forest dan One-Class SVM. Isolation Forest bekerja dengan mengisolasi observasi yang memiliki karakteristik berbeda dari mayoritas data, sedangkan One-Class SVM membentuk batas terhadap pola data normal dan mengidentifikasi observasi yang berada di luar batas tersebut sebagai kandidat anomali. Hasil pengolahan berupa data traffic yang telah dibersihkan, nilai RequestCount, anomaly score, serta klasifikasi Normal atau Anomali. Informasi tersebut dapat digunakan untuk menelusuri pola traffic dan alamat IP yang memerlukan pemeriksaan lebih lanjut. Namun, jumlah data, jumlah anomali, dan metrik evaluasi belum dapat ditentukan karena file CSV dan hasil eksekusi model belum tersedia. Hasil penelitian selanjutnya dapat digunakan sebagai dasar pengembangan sistem pemantauan keamanan jaringan berbasis deteksi anomali.

Kata Kunci: Traffic Jaringan, Deteksi Anomali, Wireshark, Isolation Forest, One-Class SVM, Machine Learning.

Teks Lengkap:

Download PDF

Referensi


Cerdà-Alabern, L., Iuhasz, G., & Gemmi, G. (2023). Anomaly detection for fault detection in wireless community networks using machine learning. Computer Communications, 202. https://doi.org/10.1016/j.comcom.2023.02.019

Duan, X., Fu, Y., & Wang, K. (2023). Network traffic anomaly detection method based on multi-scale residual classifier. Computer Communications, 198. https://doi.org/10.1016/j.comcom.2022.10.024

Güney, H. (2023). Preprocessing Impact Analysis for Machine Learning-Based Network Intrusion Detection. Sakarya University Journal of Computer and Information Sciences, 6(1). https://doi.org/10.35377/saucis...1223054

Laskar, M. T. R., Huang, J. X., Smetana, V., Stewart, C., Pouw, K., An, A., Chan, S., & Liu, L. (2021). Extending isolation forest for anomaly detection in big data via K-means. ACM Transactions on Cyber-Physical Systems, 5(4). https://doi.org/10.1145/3460976

Liu, R., Shi, J., Chen, X., & Lu, C. (2024). Network anomaly detection and security defense technology based on machine learning: A review. Computers and Electrical Engineering, 119. https://doi.org/10.1016/j.compeleceng.2024.109581

Ma, Q., Sun, C., & Cui, B. (2021). A Novel Model for Anomaly Detection in Network Traffic Based on Support Vector Machine and Clustering. Security and Communication Networks, 2021. https://doi.org/10.1155/2021/2170788

Wang, S., Balarezo, J. F., Kandeepan, S., Al-Hourani, A., Chavez, K. G., & Rubinstein, B. (2021). Machine learning in network anomaly detection: A survey. IEEE Access, 9. https://doi.org/10.1109/ACCESS.2021.3126834

Yu, X., Huang, Y., Zhang, Y., Song, M., & Jia, Z. (2024). Network Intrusion Traffic Detection Based on Feature Extraction. Computers, Materials and Continua, 78(1). https://doi.org/10.32604/cmc.2023.044999

Zuo, F., Zhang, D., Li, L., He, Q., & Deng, J. (2024). GSOOA-1DDRSN: Network traffic anomaly detection based on deep residual shrinkage networks. Heliyon, 10(11). https://doi.org/10.1016/j.heliyon.2024.e32087




DOI: https://doi.org/10.37531/mirai.v11i2.12695

Refbacks

  • Saat ini tidak ada refbacks.


Flag Counter

Creative Commons License

JURNAL MIRAI MANAGEMENT is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Web Analytics