Analisis Perbandingan Algoritma Random Forest, SVM, dan Neural Network untuk Klasifikasi Risiko Keamanan E-Learning

Abstract

Akselerasi adopsi platform e-learning akibat pandemi COVID-19 telah memperluas permukaan serangan siber di sektor pendidikan, menuntut solusi deteksi ancaman yang lebih canggih. Machine learning (ML) menawarkan pendekatan proaktif untuk mengatasi tantangan ini, namun belum terdapat konsensus mengenai algoritma yang paling optimal. Studi ini bertujuan melakukan analisis komparatif empiris terhadap tiga algoritma ML terkemuka Random Forest (RF), Support Vector Machine (SVM), dan Neural Network (NN) dalam mengklasifikasikan risiko keamanan pada lingkungan e-learning. Menggunakan dataset sintetik Classroom Data Security Threats, penelitian ini menerapkan metodologi kuantitatif yang mencakup pra-pemrosesan data dan evaluasi model menggunakan metrik accuracy, F1-score, dan ROC-AUC. Hasil eksperimen menunjukkan kinerja yang sangat terbatas dari ketiga model. NN mencapai akurasi tertinggi, namun hanya sebesar 33.5%, sedikit di atas SVM (32.5%) dan RF (29.5%). Secara signifikan, skor ROC-AUC untuk semua model berada di sekitar 0.5, yang mengindikasikan kemampuan prediktifnya tidak lebih baik dari tebakan acak. Kegagalan serempak ini menyiratkan bahwa tantangan utama bukan terletak pada pemilihan algoritma, melainkan pada kualitas prediktif dataset dan ketiadaan optimisasi hyperparameter. Temuan ini menggarisbawahi pentingnya kualitas data dan rigor metodologis sebagai prasyarat fundamental untuk pengembangan sistem keamanan siber berbasis ML yang efektif.