Klasifikasi Ancaman Keamanan Siber Menggunakan Algoritma Naive Bayes

Abstract

Abstrak : 

Saat ini keamanan siber menjadi permasalahan utama didalam tata kelola keamanan informasi Pemerintah Daerah. Untuk mencegah terjadinya kerugian akibat serangan siber maka perlu dilakukan identifikasi dan klasifikasi terhadap ancaman siber secara cepat dan akurat. Sehingga diperlukan sebuah system untuk mengklasifikasikan ancaman siber yang terjadi. Penelitian ini adalah membangun sistem klasifikasi ancaman keamanan siber menggunakan algoritma Naive Bayes sehingga dapat dilakukan analisis data ancaman secara efektif dan mengklasifikasikan jenis ancaman dengan akurasi yang tinggi. Metode yang digunakan adalah pengumpulan dataset terkait log aktifitas serangan yang terekam di aplikasi Wazuh. Selanjutnya dilakukan preprocessing data untuk mendapatkan atribut yang sesuai dengan kebutuhan sistem. Penerapan algoritma Naive Bayes digunakan sebagai metode klasifikasi berdasarkan probabilitas atribut terhadap kategori ancaman. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mampu mengklasifikasikan ancaman keamanan siber dengan akurasi yang baik, sehingga dari system yang dibangun dapat ditentukan bahwa serangan yang terjadi pada area sistem operasi server atau aplikasi web serta mampu memberikan dukungan pengambilan keputusan yang lebih cepat dalam mitigasi serangan. Hasil pengujian menunjukkan performa yang sangat baik dari model Naive Bayes pada kedua kelas yaitu presisi=0.98, recall=1, f1-score=0.99, support=57.

===================================================

Abstract :

Currently, cybersecurity is a major problem in the governance of regional government information security. To prevent losses due to cyber attacks, it is necessary to identify and classify cyber threats quickly and accurately. So a system is needed to classify cyber threats that occur. This study is to build a cybersecurity threat classification system using the Naive Bayes algorithm so that threat data analysis can be carried out effectively and classify types of threats with a high level of accuracy. The method used is collecting datasets related to attack activity logs recorded in the Wazuh application. Furthermore, data preprocessing is carried out to obtain attributes that match system needs. The Naive Bayes algorithm is implemented as a classification technique that evaluates the probability of attributes relative to threat categories. The findings indicate that this algorithm effectively categorizes cybersecurity threats with high accuracy. Consequently, the developed system can identify whether an attack targets the server operating system or the web application, while also enabling faster decision-making to support attack mitigation. The Naive Bayes model performs exceptionally well in both classes according to the test results, with precision=0.98, recall=1, f1-score=0.99, and support=57.