Pertumbuhan internet yang sangat pesat memiliki dampak positif maupun
dampak negatif bagi seluruh pengguna. Begitupula dengan serangan ataupun
ancaman yang dapat terjadi terhadap sebuah komputer maupun server didalam
sebuah jaringan, salah satunya yaitu berupa anomali trafik. Salah satu bentuk
anomali trafik adalah flashcrowd yang ditandai dengan adanya kenaikan trafik
secara signifikan. Ini disebabkan karena banyaknya user yang mengakses dan
menimbulkan kepadatan trafik. Banyak penelitian mengenai anomali trafik namun
data yang digunakan masih bersifat damped atau offline, artinya data yang sudah
disimpan sebelumnya dan sudah diketahui isi datanya. Oleh karena itu, dibutuhkan
suatu sistem deteksi untuk mengenali dan mendeteksi anomali trafik
dengan streaming traffic ( data online ).
Pada Tugas Akhir ini , akan dilakukan pendeteksian anomali yang terjadi
pada suatu jaringan menggunakan algoritma BIRCH ( Balanced Iterative Reducing
and Clustering Using Hierarchies ). Sistem deteksi trafik ini mempunyai
kemampuan untuk mendeteksi anomali yang terjadi dengan cara membentuk klaster
trafik anomali dan klaster trafik normal. Selanjutnya akan dibantu dengan algoritma
clustering DBSCAN ( Density Based Spatial Clustering of Applications with
Noise) pada bagian Clustering feature tree (CF Tree) BIRCH dalam
mengelompokkan datastream berdasarkan kepadatan data streaming traffic yang
masuk serta pelabelan trafik.
Hasil dari penelitian ini, algoritma BIRCH dan DBSCAN memiliki
performansi yang baik dalam mendeteksi anomali trafik. Hal ini dapat ditunjukkan
dengan pengujian yang dilakukan terhadap Akurasi dari hasil klaster, dimana nilai
rata rata akurasinya adalah 98.45 % serta memakan waktu kurang lebih 600 detik
atau sekitar 10 menit dalam sekali proses 30.000 data.