| dc.description.abstract | Peningkatan aktifitas di Internet yang semakin tinggi dari tahun ke tahun berdampak pada perilaku pengguna itu sendiri, hal ini disebabkan meningkatnya penggunaan perangkat keras untuk mengakses layanan Internet. Namun aktifitas ini tidak jarang disalahgunakan oleh pengguna untuk melakukan tindak kejahatan melalui media Internet. Sehingga untuk mengetahui perilaku pengguna Internet, dilakukan penelitian dengan pendekatan menggunakan teknik klastering terhadap log data lalu lintas jaringan.
Log data lalu lintas jaringan merupakan salah satu tipe big data, sehingga diperlukannya penggunaan data mining dengan algoritma K-Means sebagai solusi untuk mengetahui perilaku pengguna Internet. Penggunaan algoritma K-Means dilakukan untuk melakukan klaster berdasarkan jumlah pengunjung. Klaster jumlah pengunjung dibagi menjadi tiga, yaitu rendah, sedang dan tinggi. Kategori juga dilakukan berdasarkan waktu akses dan berdasarkan konten website yang ada pada data, hal ini dilakukan untuk membandingkan hasil dari pengklasteran algoritma K-Means.
Pada penelitian ini, hasil yang didapat menunjukkan bahwa penggunaan algoritma K-Means dapat melakukan pengkategorian terhadap log data lalu lintas jaringan berdasarkan jumlah pengunjung, yaitu tinggi sebanyak 33 website, sedang sebanyak 126 website, dan rendah sebanyak 1479 website. Hal ini didukung dengan membandingkan hasil tersebut dengan menggunakan hasil yang didapat dari pengkategorian data berdasarkan waktu akses dan berdasarkan konten website. Hasil yang didapat dari institusi pendidikan menunjukkan bahwa setiap klaster menghasilkan website yang sering dikunjungi dengan urutan : website pencarian, informasi, sosial media dan berita. Hasil dari cyber profiling pada penelitian ini adalah pengguna Internet masuk dalam karakter NetWorker dan NetJunki, berdasarkan karekteristik tersebut menunjukkan bahwa Cyber profiling yang telah dilakukan sangat dipengaruhi oleh faktor lingkungan dan aktifitas sehari-hari.
Kata Kunci : Clustering, Profiling, K-Means , Log, Network | en_US |
