A Analisis Perbandingan CNN, SVM, dan Hybrid CNN-SVM untuk Deteksi Anomali Trafik Jaringan
DOI:
https://doi.org/10.62712/juktisi.v4i3.748Kata Kunci:
Network Intrusion Detection System, Anomaly Detection, Convolutional Neural Network, Support Vector Machine, Hybrid CNN–SVMAbstrak
Peningkatan volume dan kompleksitas lalu lintas jaringan akibat pesatnya perkembangan teknologi informasi telah memicu munculnya ancaman keamanan siber yang semakin dinamis dan sulit diidentifikasi oleh sistem keamanan tradisional. Keterbatasan sistem deteksi berbasis signature dalam mengenali serangan baru, termasuk zero-day attack, menuntut penerapan pendekatan deteksi anomali yang lebih adaptif melalui pemanfaatan machine learning dan deep learning pada Network Intrusion Detection System (NIDS). Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja model Convolutional Neural Network (CNN), Support Vector Machine (SVM), dan model hybrid CNN–SVM dalam mendeteksi anomali trafik jaringan. Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimen untuk mengevaluasi performa ketiga model menggunakan dataset CIC-IDS2017. Eksperimen dilakukan melalui tahapan prapemrosesan data, pemodelan, serta evaluasi kinerja berdasarkan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa model CNN dan SVM sebagai baseline mampu mencapai tingkat akurasi yang tinggi, masing-masing sebesar 98,85% dan 98,66%, namun masih menunjukkan keterbatasan dalam mendeteksi kelas serangan minoritas. Model hybrid CNN–SVM memperoleh performa terbaik dengan akurasi 99,41% serta nilai macro average recall yang lebih seimbang, yang mengindikasikan peningkatan kemampuan generalisasi antar kelas. Integrasi CNN sebagai feature extractor dan SVM sebagai classifier terbukti efektif dalam memanfaatkan kompleksitas fitur trafik jaringan sekaligus meningkatkan stabilitas hasil klasifikasi. Dengan demikian, pendekatan hybrid CNN–SVM dapat direkomendasikan sebagai metode deteksi anomali trafik jaringan yang lebih efektif dan andal dibandingkan pendekatan tunggal dalam mendukung sistem keamanan jaringan modern.
Kata Kunci: Network Intrusion Detection System, Anomaly Detection, Convolutional Neural Network, Support Vector Machine, Hybrid CNN–SVM
Unduhan
Referensi
E. Susanto, Lady Antira, K. Kevin, E. Stanzah, and A. A. Majid, “MANAJEMEN KEAMANAN CYBER DI ERA DIGITAL,” Journal of Business And Entrepreneurship, vol. 11, no. 1, p. 23, Jun. 2023, doi: 10.46273/jobe.v11i1.365.
Ade Irawan, Wildan Hamzah Nur Fadholi, Zahwa Erikamaretha, and Fried Sinlae, “Tantangan dan Strategi Manajemen Keamanan Siber di Indonesia berbasis IoT,” JOURNAL ZETROEM, vol. 6, no. 1, pp. 114–119, Apr. 2024, doi: 10.36526/ztr.v6i1.3376.
H. Al-Rushdan, M. Shurman, S. H. Alnabelsi, and Q. Althebyan, “Zero-Day Attack Detection and Prevention in Software-Defined Networks,” in 2019 International Arab Conference on Information Technology (ACIT), IEEE, Dec. 2019, pp. 278–282. doi: 10.1109/ACIT47987.2019.8991124.
S. Stat. , M. Kom. Satriadi Putra Santika, “MENGENAL ZERO-DAY ATTACK, CELAH KEAMANAN YANG TIDAK TERLIHAT,” BINUS UNIVERSITY SCHOOL OF COMPUTER SCIENCE.
Tushar Rakshe and Vishal Gonjari, “Anomaly based Network Intrusion Detection using Machine Learning Techniques,” INTERNATIONAL JOURNAL OF ENGINEERING RESEARCH & TECHNOLOGY (IJERT), vol. 6, no. 5, May 2017.
S. Latif, F. F. Dola, MD. M. Afsar, I. Jahan Esha, and D. Nandi, “Investigation of Machine Learning Algorithms for Network Intrusion Detection,” International Journal of Information Engineering and Electronic Business, vol. 14, no. 2, pp. 1–22, Apr. 2022, doi: 10.5815/ijieeb.2022.02.01.
Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, May 2015, doi: 10.1038/nature14539.
R. W. Shiddiq, N. Karna, and I. Dyah Irawati, “Optimizing Machine Learning-Based Network Intrusion Detection System with Oversampling, Feature Selection and Extraction,” Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI), vol. 11, no. 2, pp. 225–237, 2025, doi: 10.26555/jiteki.v11i2.30675.
R. Kale, Z. Lu, K. W. Fok, and V. L. L. Thing, “A Hybrid Deep Learning Anomaly Detection Framework for Intrusion Detection,” Dec. 2022, doi: 10.1109/BigDataSecurityHPSCIDS54978.2022.00034.
M. M. Issa, M. Aljanabi, and H. M. Muhialdeen, “Systematic literature review on intrusion detection systems: Research trends, algorithms, methods, datasets, and limitations,” Journal of Intelligent Systems, vol. 33, no. 1, Jun. 2024, doi: 10.1515/jisys-2023-0248.
O. Nwabuko, “An Overview of Research Study Designs in Quantitative Research Methodology,” American Journal of Medical and Clinical Research & Reviews, vol. 03, no. 05, pp. 01–06, 2024, doi: 10.58372/2835-6276.1169.
H. Dermawan and A. Hasibuan, “Metode Penelitian Eksperimen: Prinsip, Prosedur, dan Aplikasi dalam Penelitian Ilmiah,” Factory Jurnal Industri, Manajemen dan Rekayasa Sistem Industri, vol. 3, no. 2, pp. 47–50, May 2025, doi: 10.56211/factory.v3i2.729.
Zafar Iqbal Khan, Mohammad Mazhar Afzal, and Khurram Naim Shamsi, “A Comprehensive Study on CIC-IDS2017 Dataset for Intrusion Detection Systems,” International Research Journal on Advanced Engineering Hub (IRJAEH), vol. 2, no. 02, pp. 254–260, Feb. 2024, doi: 10.47392/IRJAEH.2024.0041.
H. Cevikalp, “High-dimensional data clustering by using local affine/convex hulls,” Pattern Recognit Lett, vol. 128, pp. 427–432, Dec. 2019, doi: 10.1016/j.patrec.2019.10.007.
P. G. J. and N. K. V., “Google Colaboratory : Tool for Deep Learning and Machine Learning Applications,” Indian Journal of Computer Science, vol. 6, no. 3–4, p. 23, Aug. 2021, doi: 10.17010/ijcs/2021/v6/i3-4/165408
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Susiana Khosasih, Romi Antoni, Ricky Irnanda, Iswanto, Rahmat Humala Putra Hasibuan
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
