Penerapan Intrusion Detection System Berbasis SVM dalam Upaya Mendeteksi Serangan Jaringan

Abstract

Serangan terhadap jaringan komputer terus meningkat baik dari segi volume, keragaman, maupun tingkat kecanggihannya, sehingga sistem keamanan konvensional berbasis signature tidak lagi memadai untuk mendeteksi ancaman baru yang belum dikenal. Intrusion Detection System (IDS) berbasis machine learning hadir sebagai solusi alternatif yang mampu mengidentifikasi pola serangan secara adaptif melalui analisis trafik jaringan. Penelitian ini bertujuan menerapkan algoritma Support Vector Machine (SVM) dalam Intrusion Detection System untuk mendeteksi serangan jaringan dalam upaya meningkatkan keamanan informasi. SVM dipilih karena kemampuannya menangani data berdimensi tinggi dan menemukan hyperplane optimal yang memisahkan trafik normal dan berbahaya melalui mekanisme kernel trick. Metode penelitian meliputi pengumpulan dataset trafik jaringan (seperti NSL-KDD, UNSW-NB15, dan CIC-IDS-2017), praproses data yang mencakup normalisasi dan penanganan ketidakseimbangan kelas, seleksi fitur untuk mengurangi dimensi data, pelatihan model SVM dengan optimasi hyperparameter, serta evaluasi performa menggunakan confusion matrix. Pengujian dilakukan untuk mengukur akurasi, presisi, recall, dan F1-score model dalam mengklasifikasikan berbagai jenis serangan seperti DoS, DDoS, probing, dan brute force. Hasil penelitian menunjukkan bahwa SVM mampu mencapai akurasi tinggi dalam deteksi intrusi, dengan performa yang kompetitif dibandingkan algoritma pembanding seperti Random Forest dan Artificial Neural Network. Keberhasilan implementasi juga dipengaruhi oleh pemilihan kernel, teknik seleksi fitur, dan strategi penanganan ketidakseimbangan kelas. Dengan demikian, penerapan SVM dalam IDS dapat menjadi solusi yang efektif dan efisien untuk mendeteksi serangan jaringan serta meningkatkan keamanan informasi pengguna dan organisasi.