Deteksi Dini Botnet pada Jaringan Komputer Menggunakan Algoritma Decision Tree dan K-Nearest Neighbor

Abstract

Botnet adalah ancaman siber yang signifikan, di mana jaringan perangkat yang terinfeksi malware dapat digunakan untuk melancarkan berbagai serangan siber seperti Distributed Denial of Service (DDoS), pencurian data, dan penyebaran spam. Deteksi dini terhadap botnet sangat penting untuk mencegah dampak yang lebih besar dan melindungi integritas jaringan komputer. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini botnet dengan menggunakan algoritma Decision Tree dan K-Nearest Neighbor. Permasalahan utama yang diangkat dalam penelitian ini adalah kesulitan dalam mendeteksi botnet pada tahap awal karena pola lalu lintas jaringan botnet sering kali menyerupai lalu lintas jaringan normal.

Metodologi yang digunakan dalam penelitian ini meliputi pengumpulan data lalu lintas jaringan dari dataset publik yang tersedia di Kaggle, seperti CICIDS2017 dan NSL-KDD. Data tersebut akan melalui tahapan preprocessing, termasuk pemilihan fitur-fitur penting yang relevan untuk mendeteksi aktivitas botnet. Selanjutnya, model deteksi akan dibangun menggunakan algoritma Decision Tree dan K-Nearest Neighbor, dengan evaluasi kinerja berdasarkan metrik akurasi, precision, recall, dan F1-score. Hipotesa awal dari penelitian ini adalah bahwa algoritma Decision Tree dan K-Nearest Neighbor dapat mendeteksi aktivitas botnet pada jaringan komputer dengan akurasi yang memadai dan dapat memberikan peringatan dini terhadap potensi ancaman.

Hasil yang diharapkan dari penelitian ini adalah model deteksi dini botnet yang efektif dan efisien, yang mampu memberikan solusi untuk meningkatkan keamanan jaringan komputer melalui deteksi aktivitas botnet sejak dini.