EVALUASI KOMPARATIF K-MEANS, DBSCAN, DAN ISOLATION FOREST UNTUK KLASIFIKASI TRAFFIC API SECARA REAL-TIME PADA API GATEWAY MICROSERVICES

Abstract

Arsitektur microservices menempatkan API Gateway sebagai titik kendali utama traffic antar layanan. Rate limiting statis pada API Gateway memiliki kelemahan overblocking, yaitu pemblokiran request legitimate karena threshold yang tidak kontekstual. Penelitian ini bertujuan membandingkan performa tiga algoritma clustering K-Means, DBSCAN, dan Isolation Forest dalam mengklasifikasikan traffic API secara real-time pada API Gateway microservices. Evaluasi dilakukan menggunakan desain eksperimental komparatif dengan empat fitur perilaku: request per menit, entropy endpoint, error ratio, dan burst score. Pengujian menggunakan 19.130 record traffic simulasi dari 442 IP address dan divalidasi menggunakan subset dataset CICIDS2019. K-Means menghasilkan Silhouette Score tertinggi sebesar 0,982 dengan latensi inferensi rata-rata 4,2 ms, melampaui DBSCAN (0,847; 6,8 ms) dan Isolation Forest (0,891; 5,1 ms). K-Means juga mencatatkan F1-Score tertinggi sebesar 0,97 pada skenario mixed traffic. Temuan ini mengkonfirmasi bahwa K-Means merupakan algoritma paling optimal untuk deployment real-time pada API Gateway dari segi akurasi, kecepatan inferensi, dan kemudahan adaptasi threshold secara dinamis.