PENERAPAN TEKNIK SMOTE UNTUK MENDETEKSI PERILAKU JARINGAN BERBASIS TRAFIK ENKRIPSI
DOI:
https://doi.org/10.23960/jitet.v14i1.8880Abstract Views: 37 File Views: 24
Keywords:
Deteksi Anomali, SMOTE,Trafik EnkripsiAbstract
Deteksi anomali pada trafik jaringan terenkripsi merupakan tantangan penting dalam keamanan siber, terutama karena kesulitan dalam menganalisis payload paket. Masalah utama dalam deteksi anomali adalah ketidakseimbangan data antara trafik normal dan anomali, yang dapat mengurangi efektivitas model. Penelitian ini bertujuan untuk meningkatkan deteksi anomali dengan menerapkan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menyeimbangkan distribusi data. Metode yang digunakan meliputi penerapan SMOTE pada data trafik jaringan terenkripsi dan pelatihan model klasifikasi menggunakan algoritma Random Forest. Hasil penelitian menunjukkan bahwa penerapan SMOTE berhasil meningkatkan kinerja model, terutama pada metrik recall dan F1-score, yang mengindikasikan peningkatan sensitivitas model dalam mendeteksi anomali. Penelitian ini menegaskan pentingnya penggunaan SMOTE untuk mengatasi masalah ketidakseimbangan data dalam deteksi anomali pada jaringan terenkripsi.
Downloads
References
. Acharya, T. (2023). Optimizing the Performance of Network Anomaly Detection Using Bidirectional Long Short-Term Memory ( Bi-LSTM ) and Over-sampling for Imbalance Network Traffic Data, 8(6), 144–154.
. Amalya, N. (2023). Kriptografi dan Penerapannya Dalam Sistem Keamanan Data JURNAL MEDIA INFORMATIKA [ JUMIN ], 4, 90–93.
. Ayu. (2025). Tinjauan Literatur: Deteksi Anomali Berbasis Analisis Waktu pada CAN Bus Kendaraan Listrik Literature Review: Timing Analysis Based Anomaly Detection on Electric Vehicle CAN Bus, 6.
. Chawla, N. (2022). SMOTE : Synthetic Minority Over-sampling Technique, 16, 321–357.
. Darmansyah, D. (2025). Enkripsi pesan chat menggunakan algoritma chacha20 pada aplikasi komunikasi real-time 1) 1,2), 10(2), 544–554.
. Dewanto, R. (2022). Analisis Teknik-Teknik Kriptografi Terhadap Serangan Jaringan Local Ragil Aria Dewanto 1 , Aries Suharso 2 1,2 Universitas Singaperbangsa Karawang, 8(September), 467–476.
. Firdaus. (2023). DALAM LALU LINTAS JARINGAN MENGGUNAKAN NAIVE, 05(02), 140–148.
. Muhammad. (2025). Implementasi Sistem Deteksi Anomali pada Jaringan Komputer dengan Pendekatan XGBoost dan Data SNMP, 9(2), 1–7.
. Mukidur, R. (2024). Explainable Anomaly Detection in Encrypted Network Traffic Using Data Analytics, 272–281. https://doi.org/10.32996/jcsts
. Nursiaga. (2025). MODEL JARINGAN NEURAL UNTUK DETEKSI ANOMALI PADA, 01(01), 1–9.
. Rahman, R. (2024). IMPLEMENTASI NETWORK TRAFFIC ANALISIS UNTUK MENDETEKSI ANOMALI JARINGAN PADA TWITTER / X DAN INSTAGRAM, 2(2), 88–96.
. Saputra, F. (2025). Enhancing Intrusion Detection Using Random Forest and SMOTE on the NSL ‑ KDD Dataset, 6(3), 240–247.
. Shiddiq, W. (2025). Optimizing Machine Learning-Based Network Intrusion Detection System with Oversampling , Feature Selection and Extraction, 11(2), 225–237. https://doi.org/10.26555/jiteki.v11i2.30675
. Subuhanto, D. (2024). Model Deteksi Anomali Jaringan Komputer Menggunakan Teknik Machine Learning, (1), 239–259.
. Yagual, Q. (2025). A Hybrid Deep Learning-Based Architecture for Network Traffic Anomaly Detection via EFMS-Enhanced KMeans Clustering and CNN-GRU Models, 2(Ml), 1–29.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Informatika dan Teknik Elektro Terapan
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
