ANALISIS PERBANDINGAN RANDOM FOREST DAN XGBOOST PADA DATASET IMBALANCED UNTUK KLASIFIKASI SERANGAN SIBER BERBASIS NETWORK TRAFFIC

Abstract

Keamanan siber menjadi isu penting seiring meningkatnya penggunaan infrastruktur digital yang rentan terhadap berbagai serangan. Permasalahan utama dalam klasifikasi serangan siber adalah ketidakseimbangan data (imbalanced dataset) yang menyebabkan model cenderung bias terhadap kelas mayoritas. Penelitian ini bertujuan untuk membandingkan performa algoritma Random Forest dan XGBoost dalam mengklasifikasikan serangan siber berbasis network traffic pada dataset yang tidak seimbang. Metode yang digunakan meliputi praproses data, encoding fitur, serta penerapan SMOTE pada data latih untuk mengatasi ketidakseimbangan kelas, dengan evaluasi menggunakan k-fold cross-validation dan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa XGBoost memiliki performa lebih unggul dengan akurasi 95,85%, precision 49,26%, recall 57,25%, dan F1-score 52,76%, dibandingkan Random Forest yang hanya mencapai akurasi 89,33% dan F1-score 23,24%. Temuan ini menunjukkan bahwa XGBoost lebih efektif dan robust dalam menangani klasifikasi pada dataset imbalanced, khususnya dalam mendeteksi kelas minoritas berupa serangan siber