IMPLEMENTASI REDUKSI FITUR PADA TRAFIK DATA JARINGAN TERENKRIPSI = Implementation of Feature Reduction on Encrypted Network Traffic Data

Latar Belakang. Meningkatnya penggunaan internet global meningkatkan risiko serangan siber yang dapat merugikan individu dan organisasi, merusak reputasi, serta menurunkan kepercayaan pelanggan. Network Intrusion Detection System (NIDS) berperan penting dalam memantau aktivitas mencurigakan di jaringan dengan dukungan machine learning. Namun, NIDS memerlukan sumber daya besar, sehingga seleksi fitur menjadi penting untuk megurangi beban komputasi tanpa mengorbankan kinerja deteksi. Tujuan. Penelitian ini bertujuan untuk menerapkan metode seleksi fitur Analysis of Variance (ANOVA), Mutual Information (MI), Random Forest (RF), dan Subset Combination Strategy (SCS), kemudian menganalisis performa model klasifikasi, seperti Decision Tree (DT), Random Forest Classifier (RFC), dan K-Nearest Neighbor (KNN), berdasarkan hasil seleksi fitur tersebut. Metode. Data diambil dari tangkapan tcpdump (.pcap), diekstraksi fiturnya dengan Zeek, lalu diberi label. Seleksi fitur dilakukan sebelum model klasifikasi dilatih dan dianalisis untuk menentukan kinerja terbaik dalam mendeteksi serangan jaringan. Hasil. Hasil Seleksi fitur menghasilkan variasi jumlah fitur: RF (28), ANOVA (15), SCS_1 (42), SCS_2 (26), dan SCS_3 (7). RFC memiliki akurasi tinggi dan prediksi cepat tetapi membutuhkan CPU tinggi. KNN lebih efisien pada fitur ringkas seperti SCS_3 meskipun sedikit menurun akurasinya. DT menunjukkan keseimbangan optimal antara akurasi dan efisiensi sumber daya. Kesimpulan. DT optimal dalam keseimbangan akurasi dan efisiensi, RFC unggul dalam akurasi dengan penggunaan CPU tinggi, sementara KNN lebih efisien dengan seleksi fitur ringkas.