Analisis Performa Isolation Forest dan Extended Isolation Forest untuk Deteksi Anomali pada Trafik QUIC

Abstract

Riset ini menghasilkan performa Isolation Forest (IF) dibandingkan Extended Isolation Forest (EIF) dalam konteks deteksi anomali tanpa label (unsupervised) pada trafik protokol QUIC. Lima puluh satu fitur numerik dari trafik tersebut diuji pada sepuluh tingkat proporsi anomali (1% sampai 10%), baik dalam kondisi data mentah maupun setelah ditransformasi dengan Power Transformer metode Yeo-Johnson. Empat metrik dipakai untuk menilai performa precision, recall, F1-score, AUPRC ditambah pencatatan waktu eksekusi dan konsumsi memori. Ketika diuji pada data mentah, IF mencatat rata-rata F1-score 0,424, jauh melampaui EIF yang hanya 0,103, dengan keunggulan ini konsisten di seluruh sepuluh proporsi berdasarkan 20 kali pengulangan seed acak dan uji statistik Wilcoxon signed-rank (p0,05). Artinya, transformasi tersebut tidak membuat EIF unggul, melainkan hanya menyetarakan performanya dengan IF, sementara dari sisi efisiensi memori EIF tetap kalah karena kebutuhannya lebih besar dibanding IF.