Klasifikasi Serangan Denial-of-Service (DoS) pada Jaringan Komputer Menggunakan Algoritma Machine Learning: Studi Komparatif K-Nearest Neighbors (K-NN) dan Naive Bayes

Abstract

Keamanan jaringan komputer menghadapi tantangan besar akibat peningkatan serangan siber, khususnya serangan Denial-of-Service (DoS) yang mengganggu ketersediaan layanan. Tantangan utama dalam mendeteksi serangan ini adalah kemiripan pola trafik serangan dengan trafik normal serta ketidakseimbangan kelas pada data. Penelitian ini bertujuan melakukan studi komparatif antara algoritma Machine Learning K-Nearest Neighbors (K-NN) dan Naive Bayes untuk mengklasifikasikan serangan DoS menggunakan subset dataset CIC-DDoS. Evaluasi kinerja dilakukan berdasarkan metrik akurasi, precision, recall, F1-score, dan waktu prediksi. Hasil pengujian menunjukkan bahwa K-NN unggul dalam akurasi mencapai 99,95% dan mampu mendeteksi kelas minoritas dengan sangat baik, namun memiliki waktu prediksi yang lambat (±16,89 detik). Sebaliknya, Naive Bayes menawarkan efisiensi komputasi yang tinggi dengan waktu prediksi sangat cepat (±0,034 detik) dan akurasi 99,21%, meskipun memiliki kelemahan dalam precision pada kelas normal. Kesimpulannya, K-NN lebih direkomendasikan untuk sistem yang memprioritaskan akurasi maksimal, sedangkan Naive Bayes lebih sesuai untuk sistem deteksi dini yang membutuhkan respons real-time.