APLIKASI KLASIFIKASI MACHINE LEARNING UNTUK MENDETEKSI TRAFIK MALICIOUS DI JARINGAN TERENKRIPSI = MACHINE LEARNING CLASSIFICATION APPLICATION FOR DETECTING MALICIOUS TRAFFIC IN ENCRYPTED NETWORKS

A. MUH. RAYYAN EKA PUTRA. Aplikasi Klasifikasi Machine Learning untuk Mendeteksi Trafik Malicious di Jaringan Terenkripsi (dibimbing oleh Dr. Eng. Muhammad Niswar, S.T., M.InfoTech dan Dr. Eng. Ady Wahyudi Paundu, S.T., M.T.) Tujuan dari penelitian ini adalah untuk mendeteksi traffics malicious di jaringan terenkripsi di kampus Fakultas Teknik Universitas Hasanuddin dan menganalisis performa berbagai model klasifikasi machine learning dalam mendeteksi traffics tersebut. Penelitian ini menggunakan hasil capturing jaringan dalam bentuk flow dari Zeek Flowmeter dan memanfaatkan fitur-fiturnya pada model klasifikasi machine learning seperti K-Nearest Neighbor (KNN), Random Forest Classifier (RFC), Decision Tree (DT), Naive Bayes, Support Vector Machine (SVM), Gradient Boosting, dan Soft Voting. Hasil penelitian menunjukkan bahwa model K-Nearest Neighbor, Random Forest Classifier, Decision Tree, dan Ensemble Voting memiliki performa yang baik dalam mengklasifikasikan traffics jaringan menjadi benign atau malicious dengan akurasi mencapai sekitar 92-94%. Sebaliknya, model Support Vector Classifier dan Naive Bayes menunjukkan performa yang kurang baik, yang mungkin disebabkan oleh kompleksitas algoritma atau keterbatasan model dalam menangani data jaringan yang dinamis dan berubah-ubah. Dari segi performa komputasi, beberapa model memerlukan penggunaan sumber daya yang lebih tinggi, terutama dalam hal penggunaan CPU dan GPU. Misalnya, K-Nearest Neighbor menunjukkan penggunaan sumber daya yang tinggi, mungkin karena kompleksitas algoritma tersebut. Oleh karena itu, model yang memiliki performa baik dan tidak memakan banyak sumber daya adalah Random Forest Classifier dan Decision Tree karena konsepnya yang berbasis "pohon-pohon". Kontribusi penelitian ini terhadap ilmu pengetahuan meliputi evaluasi performa model klasifikasi machine learning yang supervised learning beserta penggunaan sumber daya seperti CPU, GPU, Memory, dan System. Implikasinya, penelitian ini dapat dikembangkan untuk konfigurasi produksi guna deteksi secara real-time dengan menggunakan model machine learning yang efisien dalam penggunaan sumber daya tetapi memiliki akurasi yang tinggi.