Deteksi Anomali Lalu Lintas Jaringan Menggunakan Algoritma K-Means dengan Optimasi Jumlah Klaster Berbasis Elbow Method dan Silhouette Score

Abstrak

Peningkatan volume lalu lintas jaringan komputer menyebabkan deteksi aktivitas anomali secara manual menjadi tidak efisien, sementara pendekatan berbasis aturan (signature-based) tidak mampu mengenali pola serangan baru. Penelitian ini bertujuan mengelompokkan pola lalu lintas jaringan menggunakan algoritma K-Means guna mengidentifikasi trafik anomali tanpa memanfaatkan label selama proses pelatihan. Dataset yang digunakan terdiri atas 10.005 rekaman koneksi jaringan dengan atribut durasi, jumlah paket, bytes terkirim, bytes diterima, bytes per paket, dan protokol. Tahapan preprocessing meliputi pemeriksaan missing value dan duplikasi, seleksi fitur, one-hot encoding pada atribut protokol, serta standarisasi fitur menggunakan StandardScaler. Data kemudian direduksi menjadi 5.000 sampel melalui random sampling untuk efisiensi komputasi. Penentuan jumlah klaster optimal dilakukan pada rentang K=1 hingga K=5 menggunakan Elbow Method dan Silhouette Score. Hasil pengujian menunjukkan nilai K optimal adalah 2 dengan Silhouette Score sebesar 0,6347. Klaster pertama berisi 4.807 data yang merepresentasikan trafik normal, sedangkan klaster kedua berisi 193 data dengan karakteristik durasi koneksi dan volume bytes terkirim yang jauh lebih tinggi. Validasi terhadap label asli menunjukkan seluruh anggota klaster kedua (100%) merupakan trafik anomali dengan presisi 100% dan recall 18,7%. Hasil ini membuktikan bahwa K-Means dengan optimasi jumlah klaster mampu mengisolasi pola trafik anomali bervolume tinggi secara unsupervised.