Penerapan Multithreading Parsing Flow untuk menghasilkan Dataset Trafik Anomali Jaringan Komputer = Implementation of High-Performance Flow Data Ingestion Using Multithreading to generate Computer Network Traffic Anomalies Dataset

Latar Belakang. Akurasi deteksi anomali trafik berbasis Machine Learning (ML) sangat bergantung pada kelengkapan data trafik jaringan. Namun, metode parsing konvensional (single-thread) sering mengalami bottleneck dan packet drop masif saat memproses trafik berkecepatan tinggi, sehingga menyebabkan hilangnya informasi vital. Penelitian ini mengusulkan penerapan teknik Multithreading untuk memparalelisasi pemrosesan data, guna meningkatkan throughput, mengurangi latensi, dan menjamin keutuhan dataset (Zero Drop). Tujuan. Penelitian ini bertujuan untuk meningkatkan throughput pemrosesan data real-time, menghilangkan bottleneck parsing melalui paralelisasi, dan mengevaluasi kinerja sistem berdasarkan metrik throughput, latensi, serta penggunaan CPU. Metode. Penelitian ini menerapkan arsitektur yang menggabungkan Extended Berkeley Packet Filter (eBPF) XDP pada sisi kernel untuk akuisisi paket cepat, dan Multithreading di user space untuk parsing paralel. Algoritma penjadwalan Round-Robin diterapkan untuk distribusi beban merata (load balancing). Pengujian dilakukan dengan stress test trafik honeypot pada konfigurasi 1 hingga 23 worker thread. Hasil. Pengujian skenario serangan siber menggunakan trafik honeypot menunjukkan bahwa sistem single-thread mengalami saturasi pada ~1.100 flow/detik dengan tingkat packet drop yang tinggi. Implementasi multithreading dengan 23 worker berhasil meningkatkan throughput pemrosesan hingga ~4.500 flow/detik (peningkatan >300%) dengan latensi stabil di kisaran ~900 mikrosekon. Sistem ini terbukti mampu mencapai target Zero Event Loss dan menghasilkan dataset flow jaringan yang terstruktur, menjadikannya fondasi infrastruktur data (Data Engineering Layer) yang handal untuk mendukung operasional IDS berbasis ML secara real-time. Kesimpulan. Penerapan Multithreading dengan penjadwalan Round-Robin terbukti efektif mengatasi bottleneck parsing, mengubah keterbatasan fisik pemrosesan serial menjadi skalabilitas paralel yang tinggi, serta menjamin ketersediaan data yang utuh untuk mendukung akurasi sistem deteksi intrusi modern.