ANALISIS FAKTOR RISIKO DAN PREDIKSI DATA BREACH MENGGUNAKAN ALGORITMA RANDOM FOREST BERBASIS VERIZON COMMUNITY DATABASE (VCDB)
Kata Kunci:
Mahasiswa, Perilaku Off-Task, Single Subject Design, Token EconomyAbstrak
Di era transformasi digital, ancaman keamanan siber, khususnya insiden pelanggaran data (data breach), berkembang semakin canggih melalui skenario serangan multi-tahap yang mengeksploitasi kerentanan teknis maupun anomali perilaku manusia. Pendekatan keamanan tradisional yang bersifat reaktif terbukti tidak lagi memadai untuk melindungi aset digital secara komprehensif. Penelitian ini bertujuan untuk menganalisis secara mendalam faktor-faktor risiko fundamental yang berkontribusi terhadap keberhasilan data breach sekaligus mengusulkan kerangka prediksi proaktif berbasis Machine Learning. Dengan memanfaatkan Verizon Community Database (VCDB) sebagai landasan data intelijen historis global, penelitian ini mengimplementasikan algoritma Random Forest untuk mengidentifikasi dan memprediksi anomali serangan siber. Penelitian ini mengolah total data awal sebanyak 10.586 insiden, yang kemudian menyisakan 10.364 data setelah melalui tahap cleansing. Dataset tersebut dibagi secara terstratifikasi menjadi 8.291 data untuk training (80%) dan 2.073 data untuk testing (20%). Mengingat adanya ketidakseimbangan kelas target yang ekstrem, teknik Synthetic Minority Over-sampling Technique (SMOTE) diterapkan pada data training sehingga menghasilkan 17.955 sampel seimbang. Hasil penelitian menunjukkan bahwa fitur data pribadi (Personally Identifiable Information) dan data rekam medis menjadi prediktor dengan tingkat kepentingan (feature importance) tertinggi dalam memicu kebocoran informasi. Model Random Forest Classifier yang dibangun berhasil mencapai tingkat akurasi akhir sebesar 83,12% (0,8312) dalam mengklasifikasikan status ancaman ke dalam tiga kategori (Data Breach, No Breach, dan Potential Breach). Pemodelan prediktif ini berkontribusi dalam menghadirkan sistem kecerdasan ancaman (threat intelligence) yang otomatis dan presisi, memungkinkan organisasi untuk merancang strategi mitigasi preventif sebelum intrusi siber berakibat fatal
