Keandalan Sistem Deteksi Intrusi (IDS) sangat krusial dalam menghadapi dinamika ancaman siber. Mata Elang Platform, sebagai sistem pengawasan keamanan berbasis Signature-based IDS, memiliki kelemahan berupa kerentanan terhadap serangan low-rate seperti Slow HTTP Denial of Service (DoS) dan tingginya tingkat False Positive. Penelitian ini bertujuan mengevaluasi keandalan operasional sensor Mata Elang serta melakukan studi komparatif dengan algoritma Machine Learning Extreme Gradient Boosting (XGBoost) berbasis Anomaly-based Detection. Hasil evaluasi log menunjukkan bahwa sensor Mata Elang mengalami Alert Fatigue; sistem berhasil menangkap 31.648 peringatan valid, namun dibarengi dengan produksi 85.074 peringatan noise (72,89%). Sebaliknya, pengujian arsitektur XGBoost menunjukkan performa superior dengan tingkat akurasi 99,83%, presisi 99,65%, dan recall 99,96%. XGBoost terbukti efektif mengidentifikasi fitur manipulasi TCP Window pada serangan Slow HTTP dan mereduksi False Positive secara signifikan hingga tersisa hanya 8 kesalahan klasifikasi. Disimpulkan bahwa pendekatan Machine Learning menggunakan XGBoost jauh lebih efisien, presisi, dan andal sebagai instrumen analitik lanjutan guna mengatasi kelemahan arsitektur IDS konvensional.

Mata Elang Platform: Sistem Deteksi Serangan Denial of Service dengan Metode Extreme Gradient Boost

Kreator & Penulis