ANALISIS TRAFFIC UNTUK MONITORING JARINGAN DENGAN METODE CLUSTERING K-MEANS DAN DBSCAN

Hasna Rafika, Mardhani Riasetiawan, M.T., Dr

2023 | Skripsi | ILMU KOMPUTER

Saat ini banyak penyimpanan data dan file disimpan secara online pada cloud 

computing, termasuk data traffic jaringan. Disamping itu terdapat teknologi big data yang 

merupakan data berukuran besar yang berpotensi dapat diolah sebagai informasi untuk machine 

learning. Selain itu adanya cloud computing dan big data menyebabkan data melimpah. Maka 

membutuhkan manajemen pengelolaan kebutuhan sumber daya yang makin meningkat. Jadi 

tantangan yang dihadapi adalah pengklasifikasian secara real-time, minimun sumber daya, dan 

akurasi serta keandalan yang tinggi. Laboratorium Sistem Komputer dan Jaringan mempunyai 

banyak engine yaitu Gama Cloud, Gamabox Big Data, data engine, sensor, big energi data. 

Semua engine itu menjalankan proses running yang masuk melalui jaringan di Laboratorium 

itu. Dengan banyaknya data yang melintasi jaringan tersebut, maka perlu adanya analisis 

seperti apa pola transaksi traffic jaringan komputer untuk melakukan monitoring jaringan 

komputer pada data center Laboratorium SKJ. 

Pada penelitian ini menggunakan data traffic di server Laboratorium SKJ yang 

ditangkap menggunakan Wireshark. Tahap-tahapannya adalah memilih jaringan yang ingin 

ditangkap, meng-capture jaringan, melakukan proses sniffing Wireshark, melihat dan 

menganalisis isi paket, dan menganalisis alur paket jaringan dan jenis data yang diambil. 

Jumlah data yang diambil sebanyak 1010 data. Setelah data diambil akan diklusterisasikan 

menggunakan algoritme K-Means dan DBSCAN, dimana hasil kedua metode ini akan 

dibandingkan. 

Output dari penelitian ini berupa hasil analisis traffic untuk monitoring jaringan berupa 

klusterisasi jenis traffic yang berjalan di jaringan . Pengujian dilakukan dengan menggunakan 

DBI dan Koefisien Silhouett. Berdasarkan hasil DBI metode K-Means mendapatkan hasil 

cluster yang lebih optimal, sedangkan jika berdasarkan nilai koefisien silhouett kedua metode 

memiliki nilai yang bervariasi dengan interpretasi struktur cluster yang berbeda. Struktur 

cluster terkuat dengan K-Means berada pada nilai 0.801 sedangkan untuk cluster dengan 

struktur kuat metode DBSCAN berada pada nilai 0.972.

Currently, a lot of data storage and files are stored online in cloud computing, including 

network traffic data. Besides that, there is big data technology which is large data that can 

potentially be processed as information for machine learning. In addition, the existence of cloud 

computing and big data causes data to overflow. Then it requires management of increasing 

resource requirements. So the challenges faced are classification in real-time, minimum 

resources, and high accuracy and reliability. The Computer and Network Systems Laboratory 

has many engines, namely Gama Cloud, Gamabox Big Data, data engines, sensors, big energy 

data. All of those engines carry out running processes that enter through the network in the 

Laboratory. With so much data crossing the network, it is necessary to analyze what kind of 

computer network traffic transaction patterns are in order to monitor computer networks in the 

SKJ Laboratory data center more precisely. 

In this study using traffic data at Laboratory SKJ server that capture using Wireshark. 

The steps are selecting the network you want to capture, capturing the network, performing the 

Wireshark sniffing process, viewing and analyzing the contents of the packet, and analyzing 

the flow of network packets and the type of data captured. The amount of data taken is 1010 

data. After the data is collected, it will be clustered using the K-Means and DBSCAN 

algorithms, where the results of these two methods will be compared.

The output of this research is the result of traffic analysis for network monitoring in the 

form of clustering the types of traffic running on the network. Tests were carried out using the 

DBI and Silhouett Coefficient. Based on the DBI results, the M-Means method obtains more 

optimal cluster results, whereas based on the value of the silhouette coefficient, the two 

methods have varying values with different interpretations of the cluster structure. The 

strongest cluster structure with K-Means is at a value of 0.801 while for a cluster with a strong 

structure the DBSCAN method is at a value of 0.972.

Kata Kunci : Jaringan, DBSCAN Clustering, K-Means Clustering, Monitoring, Traffic,Wireshark