Deteksi Adware Pada Trafik Jaringan Menggunakan Metode K-Means Clustering Berbasis Data Wireshark

Rinto Dariyanto Putro, Anjik Sukmaaji

Sari


Analisis trafik jaringan menjadi langkah penting dalam mendeteksi pola komunikasi yang berpotensi mengindikasikan aktivitas adware. Permasalahan utama penelitian ini adalah besarnya jumlah paket jaringan yang harus diperiksa secara manual sehingga pola komunikasi berulang, tujuan komunikasi dominan, dan anomali ukuran paket sulit diidentifikasi secara efisien. Penelitian menggunakan dataset yang diperoleh dari tujuh file hasil ekspor wireshark dengan total 135.996 paket jaringan. Data mentah diproses melalui tahapan pembersihan data, transformasi atribut, agregasi aliran komunikasi, pembentukan fitur numerik, dan normalisasi. Fitur yang dianalisis meliputi packet count, total length, average length, destination frequency, source frequency, tcp warning count, query like count, packets persecond, bytes persecond, serta representasi protokol dominan. Hasil agregasi menghasilkan 1.839 aliran komunikasi yang kemudian dikelompokkan menggunakan algoritma k-means. Jumlah klaster ditentukan melalui kombinasi elbow method dan silhouette score, sehingga dipilih K-7 sebagai konfigurasi terbaik dengan silhouette score 0,258 dan davies bouldin index 1,569. Hasil klasterisasi menunjukkan bahwa Klaster 0, 4, dan 6 memiliki karakteristik komunikasi yang paling berpotensi mencurigakan, ditandai oleh intensitas komunikasi tinggi, frekuensi tujuan yang dominan, ukuran paket tertentu, serta tingginya peringatan TCP. Temuan ini menunjukkan bahwa k-means efektif sebagai pendekatan eksploratif untuk penyaringan awal trafik jaringan sehingga dapat membantu proses identifikasi aktivitas adware secara lebih cepat dan terstruktur.

Teks Lengkap:

Download PDF

Referensi


Budiati, H., Wijaya, A. B. M., Zebua, B. S. V., Jatmika, & Sumihar, Y. P. (2022). Implementation of K-Means Clustering Method for Network Traffic Anomaly Detection. Jurnal Mantik, 6(3).

essa tayeb, mesud, Chebbi, T., Ali Toumi, J., Badawi, A., & LOUAIL, B. (2025). The impact of Ad overloads perception in social media on Ad avoidance behavior: the mediating effect of social media fatigue and goal impediment. Management, 28(2). https://doi.org/10.58691/man/197329

Krajewska, A., & Niewiadomska-Szynkiewicz, E. (2024). Clustering Network Traffic Using Semi-Supervised Learning. Electronics (Switzerland), 13(14). https://doi.org/10.3390/electronics13142769

Quirumbay Yagual, D., Fernández Iglesias, D., & Nóvoa, F. J. (2025). A Hybrid Deep Learning-Based Architecture for Network Traffic Anomaly Detection via EFMS-Enhanced KMeans Clustering and CNN-GRU Models. Applied Sciences (Switzerland), 15(20). https://doi.org/10.3390/app152010889

Sadeghpour, S., & Vlajic, N. (2021). Ads and Fraud: A Comprehensive Survey of Fraud in Online Advertising. Journal of Cybersecurity and Privacy, 1(4). https://doi.org/10.3390/jcp1040039

Seraj, S., Pavlidis, M., Trovati, M., & Polatidis, N. (2024). MadDroid: malicious adware detection in Android using deep learning. Journal of Cyber Security Technology, 8(3). https://doi.org/10.1080/23742917.2023.2247197

Zhukabayeva, T., Ahmad, Z., Adamova, A., Karabayev, N., & Abdildayeva, A. (2025). An Edge-Computing-Based Integrated Framework for Network Traffic Analysis and Intrusion Detection to Enhance Cyber–Physical System Security in Industrial IoT. Sensors, 25(8). https://doi.org/10.3390/s25082395




DOI: https://doi.org/10.37531/mirai.v12i1.12700

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