Analisis Perbandingan CNN, SVM, dan Hybrid CNN-SVM untuk Deteksi Anomali Trafik Jaringan

Peningkatan volume dan kompleksitas lalu lintas jaringan akibat pesatnya perkembangan teknologi informasi telah memicu munculnya ancaman keamanan siber yang semakin dinamis dan sulit diidentifikasi oleh sistem keamanan tradisional. Keterbatasan sistem deteksi berbasis signature dalam mengenali serangan baru, termasuk zero-day attack, menuntut penerapan pendekatan deteksi anomali yang lebih adaptif melalui pemanfaatan machine learning dan deep learning pada Network Intrusion Detection System (NIDS). Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja model Convolutional Neural Network (CNN), Support Vector Machine (SVM), dan model hybrid CNN–SVM dalam mendeteksi anomali trafik jaringan. Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimen untuk mengevaluasi performa ketiga model menggunakan dataset CIC-IDS2017. Eksperimen dilakukan melalui tahapan prapemrosesan data, pemodelan, serta evaluasi kinerja berdasarkan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa model CNN dan SVM sebagai baseline mampu mencapai tingkat akurasi yang tinggi, masing-masing sebesar 98,85% dan 98,66%, namun masih menunjukkan keterbatasan dalam mendeteksi kelas serangan minoritas. Model hybrid CNN–SVM memperoleh performa terbaik dengan akurasi 99,41% serta nilai macro average recall yang lebih seimbang, yang mengindikasikan peningkatan kemampuan generalisasi antar kelas. Integrasi CNN sebagai feature extractor dan SVM sebagai classifier terbukti efektif dalam memanfaatkan kompleksitas fitur trafik jaringan sekaligus meningkatkan stabilitas hasil klasifikasi. Dengan demikian, pendekatan hybrid CNN–SVM dapat direkomendasikan sebagai metode deteksi anomali trafik jaringan yang lebih efektif dan andal dibandingkan pendekatan tunggal dalam mendukung sistem keamanan jaringan modern. Kata Kunci: Network Intrusion Detection System, Anomaly Detection, Convolutional Neural Network, Support Vector Machine, Hybrid CNN–SVM