Analisis Pengaruh Penggunaan Manhattan Distance Pada Algoritma Clustering Isodata(self-organizing Data Analysis Technique) Untuk Sistem Deteksi Anomali Trafik

Abstract

Ketertarikan masyarakat terhadap berbagai informasi yang mudah didapat menyebabkan meningkatnya penggunaan internet. Seiring banyaknya masyarakat yang mengakses internet menyebabkan adanya fenomena anomali trafik. Fenomena anomali trafik ini dapat berupa serangan DDoS dan flash crowd. Dilihat dari dampak negatif yang terdapat anomali trafik tersebut, maka pada penelitian ini dibuat sebuah metode Intrusion Detection System (IDS) dengan teknik unsupervised learning yang menggunakan algoritma ISODATA clustering dengan penambahan metode berbasis pengukuran jarak Manhattan Distance dan metode Dunn Index untuk menghitung kualitas cluster yang dihasilkan. Hasil dari penelitian ini, sistem yang sudah dibangun menunjukan hasil performansi yang baik dan minimnya dalam kesalahan deteksi dilihat dari sistem yang sudah mampu membedakan trafik anomali dengan trafik normal. Dengan menggunakan metode Manhattan Distance, waktu proses yang dibutuhkan lebih singkat dibandingkan dengan metode Euclidean Distance.

Kata Kunci : Anomali trafik, DDoS, Flash Crowd, Isodata, Clustering, Manhattan Distance, Dunn Index