Seiring perkembangan internet, terdapat gangguan dalam jaringan yang dapat menganggu layanan, salah satunya adalah Distributed Denial of Service (DDoS) yang merupakan serangan dengan tujuan menghilangkan hak ases sehingga dapat memberi dampak yang merugikan bagi user dan service provider. Fenomena lain adalah flash crowds yang memiliki kemiripan dengan DDoS, namun flash crowds tidak dikategorikan sebagai serangan karena memiliki ciri yang berbeda. flash crowds biasanya terjadi saat terdapat sebuah berita besar atau peluncuran produk baru sehingga permintaan akses meningkat namun terjadi secara gradual.
Metode yang dapat digunakan dalam mendeteksi anomaly dalam jaringan adalah Intrusion Detection System (IDS) dengan metode anomaly-based agar dapat mengenali jenis anomaly baru, salah satunya aplikasinya adalah unsupervised learning clustering sehingga tidak memerlukan database dalam perancangannya.
Algoritma dalam teknik clustering dipilih algoritma K-Means yang memiliki ruang modifikasi dan pengembangan yang luas. Algoritma K-Means yang digunakan dalam penelitian ini dimodifikasi dengan Random Initialization dan dikombinasikan dengan Landmark Window sehingga menghasilkan cluster yang dapat membedakan antara traffic normal dan traffic anomaly ditinjau dari parameter Detection Rate (DR), Accuracy (ACC), dan False Positive Rate (FPR).
Kata kunci : Network, Anomaly, Clustering, K-Means, Random Initialization, Landmark Window.