Abstrak

Kebocoran informasi sensitif menjadi perhatian utama dalam dunia keamanan siber, yang sering kali disebabkan oleh ancaman dari dalam (insider threat). Untuk mengatasi hal ini, sebuah model klasifikasi menggunakan algoritma Random Forest dikembangkan untuk mendeteksi aktivitas pengguna yang berpotensi menyebabkan kebocoran data. Dengan penerapan teknik SMOTE-ENN untuk penyeimbangan kelas dan optimasi parameter model, penelitian ini berhasil mencapai akurasi yang sangat baik. Model ini menunjukkan kinerja yang solid dengan F1-Score rata-rata sebesar 0.9167 pada cross-validation dan .9231pada data uji, yang mencerminkan kemampuannya dalam mendeteksi aktivitas abnormal dengan keseimbangan antara presisi dan recall. Secara spesifik, model ini dapat mendeteksi aktivitas abnormal dengan recall mencapai 94.28%, yang berarti model berhasil mengidentifikasi hampir semua aktivitas berisiko, sambil meminimalkan false positives. Nilai AUC-ROC sebesar 0.9721 menegaskan kemampuan model untuk membedakan antara aktivitas normal dan abnormal. Hasil penelitian ini menunjukkan bahwa Random Forest, dikombinasikan dengan SMOTE-ENN dan optimasi parameter, merupakan alat yang efektif untuk mendeteksi potensi kebocoran data dan ancaman dari dalam (insider threat), serta dapat diterapkan dalam sistem keamanan informasi untuk memantau aktivitas mencurigakan.

Kata kunci: Random Forest, SMOTE-ENN, Ancaman Dari Dalam, Kebocoran Informasi Sensitif, Pembelajaran Mesin.