Analisis dan Deteksi Cybercrime Menggunakan Data Mining pada Sistem Informasi Doorsmer
DOI:
https://doi.org/10.22303/it.14.1.2026.27-37Keywords:
Cybercrime, Data Mining, K-Means Clustering, Sistem Informasi Doorsmer, Deteksi AnomaliAbstract
Perkembangan teknologi informasi pada sistem layanan digital, termasuk sistem informasi doorsmer, memberikan kemudahan dalam pengelolaan transaksi, pelanggan, dan aktivitas operasional. Namun, meningkatnya penggunaan sistem digital juga memunculkan ancaman cybercrime seperti manipulasi data, akses tidak sah, serta serangan SQL Injection yang dapat merugikan keamanan data dan operasional sistem. Penelitian ini bertujuan untuk menganalisis dan mendeteksi aktivitas cybercrime pada sistem informasi doorsmer menggunakan metode data mining dengan algoritma K-Means Clustering. Metode penelitian dilakukan melalui tahapan pengumpulan data aktivitas pengguna, preprocessing data, transformasi data, proses clustering, serta evaluasi hasil cluster. Dataset penelitian terdiri dari data login gagal, frekuensi akses sistem, dan percobaan SQL Injection dari aktivitas pengguna sistem doorsmer. Algoritma K-Means digunakan untuk mengelompokkan data ke dalam tiga cluster, yaitu aktivitas normal, aktivitas mencurigakan, dan aktivitas cybercrime. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu mengidentifikasi pola aktivitas pengguna berdasarkan tingkat ancaman keamanan sistem. Dari 10 data sampel yang diuji, diperoleh 4 data termasuk kategori normal, 3 data kategori mencurigakan, dan 3 data kategori cybercrime. Aktivitas dengan nilai login gagal tinggi, frekuensi akses berlebihan, dan adanya percobaan SQL Injection cenderung masuk ke cluster cybercrime. Penelitian ini membuktikan bahwa metode K-Means efektif digunakan untuk mendukung deteksi dini cybercrime pada sistem informasi doorsmer sehingga dapat membantu meningkatkan keamanan sistem secara lebih optimal.
References
Wulan P, Sari., & Tata Sutabri (2023). ANALISA CLUSTER DENGAN K-MEAN CLUSTERING UNTUK PENGELOMPOKAN DATA CYBERCRIME”, JINTEKS, vol. 5, no. 1, pp. 49–53, Feb. 2023.
R. B. Trianto, M. A. Muin, and C. Vikasari, “Optimized K-Means Clustering for Web Server Anomaly Detection Using Elbow Method and Security-Rule Enhancements”, journalisi, vol. 7, no. 4, pp. 3601–3625, Dec. 2025, doi: 10.63158/journalisi.v7i4.1391.
Hartono., & M.Khahfi Z dkk. (2025). IMPROVING CYBERSECURITY TRAFFIC ANALYSIS VIA ENHANCED K-MEANS CLUSTERING WITH TRIANGLE INEQUALITY-BASED INITIALIZATION, Jurnal Times, Vol.14 No. 1, 60-69.
fachrie, F. D., & Lili, L. T. (2025). Model Clustering Anomali Detection pada Jaringan LAN dengan Algoritma K-Means. Jurnal Sistem Komputer Dan Informatika (JSON), 7(2), 657–667. https://doi.org/10.30865/json.v7i2.9173.
Reka Alamsah.,& Rokhman, N. (2025). Preprocessing Algorithm for K-Means Anomaly Detection on Payment Logs , IJCCS, Vol 19, No. 2 https://doi.org/10.22146/ijccs.105290.
Yu* L, Bai Y. Design of network security monitoring system based on K-means clustering algorithm. Intelligent Decision Technologies. 2024;18(4):3105-3118. doi:10.3233/IDT-240185
Data Mining Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Morgan Kaufmann.
Cybersecurity Stallings, W. (2021). Network Security Essentials: Applications and Standards (7th ed.). Pearson.
Wulan P. Sari, & Tata Sutabri. (2023). Analisa Cluster dengan K-Mean Clustering untuk Pengelompokan Data Cybercrime. JINTEKS, 5(1), 49–53.
Trianto, R. B., Muin, M. A., & Vikasari, C. (2025). Optimized K-Means Clustering for Web Server Anomaly Detection Using Elbow Method and Security-Rule Enhancements. Journalisi, 7(4), 3601–3625.
Hartono, & Khahfi, M. Z. et al. (2025). Improving Cybersecurity Traffic Analysis via Enhanced K-Means Clustering with Triangle Inequality-Based Initialization. Jurnal TIMES, 14(1), 60–69.
Fachrie, F. D., & Lili, L. T. (2025). Model Clustering Anomaly Detection pada Jaringan LAN dengan Algoritma K-Means. Jurnal Sistem Komputer dan Informatika (JSON), 7(2), 657–667.
Reka Alamsah, & Rokhman, N. (2025). Preprocessing Algorithm for K-Means Anomaly Detection on Payment Logs. IJCCS, 19(2).
Yu, L., & Bai, Y. (2024). Design of Network Security Monitoring System Based on K-Means Clustering Algorithm. Intelligent Decision Technologies, 18(4), 3105–3118.
K-Means Clustering Jain, A. K. (2020). Data Clustering: 50 Years Beyond K-Means. Pattern Recognition Letters, 31(8), 651–666.
Ahmed, M., Mahmood, A. N., & Hu, J. (2021). A Survey of Network Anomaly Detection Techniques. Journal of Network and Computer Applications, 60, 19–31.
Gupta, B., Agrawal, D. P., & Yamaguchi, S. (2022). Handbook of Research on Modern Cryptographic Solutions for Computer and Cyber Security. IGI Global.
Kim, G., Lee, S., & Kim, S. (2021). A Novel Hybrid Intrusion Detection Method Integrating Anomaly Detection with Misuse Detection. Expert Systems with Applications, 41(4), 1690–1700.
Information Systems Laudon, K. C., & Laudon, J. P. (2022). Management Information Systems: Managing the Digital Firm (17th ed.). Pearson.
Prasetyo, E. (2020). Data Mining: Konsep dan Aplikasi Menggunakan MATLAB. Andi Publisher.
Kusrini, & Luthfi, E. T. (2021). Algoritma Data Mining. Andi Offset.
Suyanto. (2022). Data Mining untuk Klasifikasi dan Klasterisasi Data. Informatika Bandung.
SQL Injection Halfond, W. G., Viegas, J., & Orso, A. (2020). A Classification of SQL Injection Attacks and Countermeasures. Proceedings of the IEEE International Symposium on Secure Software Engineering, 13–15.
Singh, K., & Silakari, S. (2021). An Ensemble Approach for Cyber Attack Detection System Using Machine Learning Techniques. International Journal of Computer Applications, 975, 8887.
Bhuyan, M. H., Bhattacharyya, D. K., & Kalita, J. K. (2021). Network Anomaly Detection: Methods, Systems and Tools. IEEE Communications Surveys & Tutorials, 16(1), 303–336.
Kumar, V., & Ravi, V. (2022). A Survey of the Applications of Text Mining in Financial Domain. Knowledge-Based Systems, 114, 128–147.
Machine Learning Alpaydin, E. (2021). Introduction to Machine Learning (4th ed.). MIT Press
