Briliant: Jurnal Riset dan Konseptual Vol.
No.
February 2026 pp.
E-ISSN: 2541-4224.
P-ISSN: 2541-4216
DOI: http://dx.
org/10.
28926/briliant.
Analisis Komparasi Algoritma SVM.
Random Forest dan MLP-NN Untuk Klasifikasi Intrusi Perimeter Berbasis Getaran Regi Saputra.
Ari Purno Wahyu Wibowo.
Universitas Widyatama.
Jl.
Cikutra No.
Sukapada.
Kec.
Cibeunying Kidul.
Kota Bandung.
Indonesia Email: 1saputra.
regi@widyatama.
id, 2ari.
purno@widyatama.
Tersedia Online di http://w.
php/briliant Sejarah Artikel Diterima 22 Mei 2025 Direvisi 05 Juni 2025 Disetujui 05 Februai 2026 Dipublikasikan 22 Februari 2026 Keywords:
Intrusion.
Machine Learning.
MLP-NN.
Random Forest.
SVM Abstract: The need for perimeter security systems is increasingly important in facing the increasing risk of intrusion to various This study aims to compare the performance of the Support Vector Machine (SVM).
Random Forest, and Multi-Layers Perceptron Neural Network (MPL-NN) classification algorithms in separating intrusion and non-intrusion data classes recorded in the SW-420 vibration sensor installed on the perimeter fence.
The Message Queuing Telemetry Transport (MQTT) communication protocol is used to connect the sensor to the program that records the Data collection is carried out through simulations of various vibration scenarios, such as intrusion attempts .
and environmental disturbances .
on-intrusio.
Normalization and label encoding techniques are applied to help the algorithm read important features in each data point.
The results of the study show that of the three algorithms.
Random Forest has a higher accuracy value with a value of 97% followed by the MLP-NN Tanh activation algorithm with an accuracy value of 93%.
While the SVM algorithm with the RBF kernel has a value of 90.
This means that the Random Forest algorithm has good performance in categorizing vibrations.
Abstrak: Kebutuhan akan sistem keamanan perimeter semakin penting dalam menghadapi risiko penyusupan yang terus meningkat Intrusi.
Machine Learning.
MLPterhadap berbagai infrastruktur.
Penelitian ini bertujuan NN.
Random Forest.
SVM mengkomparasi performa algoritma klasifikasi Support Vector Machine (SVM).
Random Forest, dan Multi-Layers Perceptron Neural Corresponding Author:
Network (MPL-NN) dalam memisahkan kelas data intrusi dan nonName:
intrusi yang terekam dalam sensor getar SW-420 yang dipasang di Regi Saputra pagar perimeter.
Protokol komunikasi Message Queuing Telemetry Email:
Transport (MQTT) digunakan guna menghubungkan sensor dengan regi@widyatama.
program yang merekam dataset.
Pengumpulan data dilakukan melalui simulasi berbagai skenario getaran, seperti upaya penyusupan .
dan gangguan lingkungan .
Teknik normalisasi dan label encoding diterapkan untuk membantu algoritma dalam membaca fitur penting di setiap data poin.
Hasil penelitian menunjukkan dari tiga algoritma tersebut Random Forest memiliki nilai akurasi yang lebih tinggi dengan nilai 97% disusul algoritma MLP-NN aktivasi Tanh dengan nilai akurasi 93%.
Sedangkan algoritma SVM dengan kernel RBF memiliki nilai 90,5%.
Artinya algoritma Random Forest memliki performa yang baik dalam mengkategorikan getaran.
Kata Kunci:
PENDAHULUAN
Perlindungan sebuah infrastruktur menjadi kebutuhan yang penting dalam menghadapi ancaman keamanan yang dapat terjadi.
Pengawasan terhadap suatu area sangat diperlukan baik untuk sebuah gedung tinggi, kawasan luas, bahkan untuk area rumah sekalipun (Pitafi et al.
BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026 2.
Berdasarkan data dari Pusat Informasi Kriminal Nasional di Kepolisian Republik Indonesia, sepanjang tahun 2024 terjadi 44,726 kasus pencurian dimana mayoritas kasus ini terjadi di rumah, perkantoran, dan tempat komersil.
Kendala dalam mengawasi area tersebut adalah kemampuan pengawasan yang tidak dapat bekerja secara 24 jam terus menerus.
Bahkan untuk kawasan yang lebih besar tidak dapat hanya mengandalkan tim petugas keamanan saja dalam mengawasinya.
Diperlukan sebuah sistem yang mampu mendeteksi potensi terjadinya intrusi atau penyusupan.
Titik yang dapat diaplikasikan adalah titik perimeter yang menjadi akses utama untuk masuk ke suatu area (Rizki et al.
, 2.
Salah satu opsi yang dapat dimanfaatkan untuk mendeteksi potensi intrusi adalah dengan memanfaatkan sensor getaran seperti sensor SW-420.
Sensor ini mampu mendeteksi getaran yang terjadi di pagar perimeter (Alamsyah et al.
, 2.
Namun data getaran dari tempat terbuka dapat dipengaruhi oleh berbagai faktor seperti angin, hujan, maupun kendaraan yang melintas.
Sehingga dibutuhkan metode yang tepat untuk membedakan getaran yang berasal dari aktivitas intrusi dan non-intrusi.
Dengan berkembangnya teknologi saat ini, maka sistem pengawasan ini pun dapat memanfaatkan fitur mesin pembelajaran .
achine learnin.
dalam penerapannya.
Pada sistem ini model mesin pembelajaran dapat digunakan untuk menganalisa pola getaran yang terjadi pada sensor getar yang digunakan (Mi et al.
, 2.
Permasalahan utama yang diangkat dalam penelitian ini adalah bagaimana membangun model klasifikasi yang mampu membedakan getaran intrusi dan non-intrusi dengan tingkat akurasi yang tinggi.
Data getaran intrusi dan non-intrusi dikumpulkan melalui sensor SW-420 yang terhubung dengan microcontroller Node MCU ESP8266 dan dataset direkam oleh program melalui komunikasi protokol MQTT.
Lalu dataset yang sudah terkumpul dianalisa menggunakan algoritma klasifikasi Support Vector Machine (SVM).
Random Forest, dan Multi-layers Perceptron Neural Network (MLP-NN).
Tujuan dari penelitian ini adalah bagaimana komparasi dari performa tiga algoritma klasifikasi sebelumnya dalam membaca pola getaran yang dihasilkan dari sensor getar SW-420.
Ruang lingkup penelitian dibatasi dengan pemasangan sensor SW-420 di pagar tembok dan dilakukan skenario yang menggambarkan keadaan intrusi seperti memanjat pagar dan upaya merusak sensor serta kondisi getaran hujan, angin, dan kendaraan melintas yang terekam.
Penelitian ini pun hanya berfokus pada sensor getar dan tidak membahas integrasi dengan alat pendeteksi lain seperti kamera atau alarm lain.
Penelitian ini mengacu pada penelitian sebelumnya yang membahas tentang optimasi pada sistem keamanan perimeter.
Penelitian pertama yang penulis temukan adalah penelitian yang dilakukan oleh Shahneela Pitafi .
yang membahas bagaimana membuat sebuah sistem intrusi perimeter yang menggunakan beberapa parameter deteksi seperti video, getaran dan suhu.
Lalu data diklasterkan menggunakan algoritma ST-DBSCAN dan diklasifikasikan dengan algoritma K-NN classification (Pitafi et al.
, 2.
Penelitian selanjutnya adalah penelitian yang dilakukan oleh Qiushi Mi .
yang membahas bagaimana kinerja dari algoritma preprocessing dan Multi-layers Perceptron Neural Network dalam merekognisi pola getaran yang terjadi pada sensor getar fiber optic di perimeter.
Pada penelitiannya dihasilkan bahwa pola getaran yang terjadi pada sensor dapat direkognisi dan dapat diklasifikasikan oleh algoritma tersebut dengan nilai akurasi 97,6% (Mi et al.
, 2.
Penelitian selanjutnya adalah penelitian dari Kun Li .
yang membahas metode klasifikasi sinyal getaran pada sistem keamanan perimeter berbasis kabel optik I-OTDR .
hase-sensitive Optical Time Domain Reflectomete.
Peneliti mengembangkan metode kombinasi antara EMD (Empirical Mode Decompositio.
algoritma CNN (Convutional Neural Networ.
dan LSTM (Long Short-Term Memor.
Hasil eksperimen menunjukkan akurasi klasifikasi sinyal intrusi sebesar 97.
3% terhadap tiga jenis pola getaran berbeda (Li et al.
, 2.
Hasil dari penelitian ini diharapkan dapat mengembangkan sistem keamanan perimeter berbasis getaran yang lebih akurat.
Manfaat yang ingin dicapai adalah memberikan solusi deteksi intrusi yang lebih terjangkau dengan sensor sederhana dan memiliki akurasi tinggi.
Selain itu penelitian perbandingan algoritma ini diharapkan dapat menambah studi pada keamanan perimeter berbasis sensor untuk kedepannya.
212 BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026
METODE
Metode penelitian digambarkan pada flowchart Gambar 1.
Pada bagian ini dijelaskan bagaimana metode komparasi setiap algoritma machine learning dilakukan.
Ada beberapa tahapan proses pada metode penelitian yang dilakukan, dimulai dari proses Pengumpulan Data.
Memahami Data.
Persiapan Data.
Pemodelan, hingga Evaluasi (Chapman et al.
, 2.
Gambar 1.
Flowchart Metode Penelitian yang Dilakukan Pengumpulan Data (Data Collectin.
Data yang digunakan pada proses penelitian ini adalah data yang diambil dari sensor SW420.
Sensor dipasang pada permukaan pagar pembatas seperti yang ditampilkan pada Gambar 4.
Komponen sensor SW-420 yang ditunjukkan pada Gambar 2, terdiri dari komponen sensor yang menangkap getaran pada alat.
Lalu ada komponen LM393 yang bertugas untuk membandingkan voltase sensor dengan input getaran yang masuk pada sensor.
Komponen LM393 ini terhubung juga dengan potentiometer yang bertujuan untuk melalukan penyesuaian terhadap nilai getaran yang terbaca.
Sensor menghasilkan sinyal digital yang kemudian dikonversi menjadi nilai analog melalui modul ADC (Analog-to-Digital Converte.
(Alamsyah et al.
, 2.
Gambar 2.
Komponen Sensor SW-420 Proses pengambilan data dilakukan oleh sensor SW-420 yang terhubung ke microcontroller NodeMCU ESP8266 dan battery 9V sebagai sumber daya listriknya.
Pada topologi komunikasinya, sistem ini akan memanfaatkan protokol Message Queuing Telemetry Transport (MQTT) dalam mengirimkan data sensor kepada server yang menyimpan dataset.
MQTT dikenal sebagai protokol yang dapat bekerja sangat baik dalam bandwidth yang terbatas(Khan et al.
, 2.
Microcontroller akan bertindak sebagai MQTT Publisher yang mengirimkan data melalui koneksi wifi kepada broker MQTT.
Komputer akan bertindak sebagai broker MQTT sekaligus menjalankan program MQTT Subscriber yang menerima data dari sensor lalu menyimpan setiap data yang tersimpan menjadi dataset dalam file dengan format CSV.
Pengambilan data pada dataset ini akan dilakukan dengan melakukan input pada awal Pilihan input intrusi atau non-intrusi akan dilakukan saat data akan direkam.
Aktivitas BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026 data intrusi meliputi aktivitas memanjat pagar dan percobaan pengrusakan terhadap sensor yang terpasang di pagar pembatas.
Sedangkan aktivitas non-intrusi meliputi getaran yang terjadi karena hujan deras maupun ringan, kendaraan yang melintas di dekat sensor, dan getaran-getaran lain yang terjadi diluar aktivitas getaran intrusi.
Memahami Data (Data Understandin.
Dataset berisikan akumulasi getaran yang terjadi selama 5 detik dengan 10 nilai getaran yang terekam di setiap 500 ms pada program subscriber MQTT.
Pada tahap ini dilakukan eksplorasi awal terhadap dataset yang telah dikumpulkan.
Visualisasi akan dilakukan menggunakan grafik garis .
ine char.
untuk melihat pola getaran antara getaran intrusi dan nonintrusi.
Selain itu, akan digunakan visualisasi dari correlation matrix untuk mengetahui hubungan antar fitur getaran 1 hingga 10.
Correlation Matrix banyak digunakan dalam jurnal-jurnal ilmiah sebagai parameter untuk menilai hubungan antar data yang ada(Nur Fauzi et al.
, 2.
Tujuan tahap ini adalah untuk mengetahui distribusi dan pola awal yang dapat dijadikan dasar pada proses klasifikasi oleh algoritma.
Persiapan Data (Data Preparatio.
Pada tahap data preparation akan dilakukan beberapa proses persiapan data agar memastikan kualitas data pada saat dilakukan pemodelan.
Nilai yang dihasilkan oleh sensor getar SW-420 memiliki nilai skala yang cukup besar.
Agar nilai yang dijadikan dalam pemodelan lebih seimbang maka diperlukan proses normalisasi pada proses persiapannya.
Metode normalisasi yang digunakan pada penelitian ini adalah metode Standard Scaler.
e Amorim et al.
, 2.
Standard Scaler adalah teknik normalisasi yang menggunakan z-score normalization.
Nilai pada setiap data dikurangi dengan nilai rata-rata pada kolom yang sama, lalu hasilnya dibagi dengan nilai standar deviasi.
Standar deviasi dirumuskan pada Persamaan .
dan normalisasinya dirumuskan pada Persamaan .
Proses normalisasi ini telah mengubah nilai value getaran menjadi lebih seragam dan menghilangkan perbedaan nilai yang terlalu tinggi yang berpotensi menjadi outlier.
Ocycu .
cu OeycuI )2 yua = Oo ycn=1 ycuycn yc= .
cuycn OeycuI ) yua Data pada kolom label masih memiliki nilai AuintrusiAy dan Aunon-intrusiAy.
Data tersebut perlu dirubah ke dalam tipe numerik menggunakan teknik Label Encoder untuk memudahkan model dalam menentukan klasifikasinya.
Label Encoder adalah teknik mengubah nilai pada sebuah data menjadi nilai numerik yang dapat memudahkan algoritma machine learning dalam memproses data.
Pada proses encode, data intrusi dirubah menjadi 0 dan data non-intrusi menjadi 1(Herdian et al.
, 2.
Data yang memiliki nilai duplikasi dihapus dalam dataset agar model dapat bekerja Distribusi data antara intrusi dan non-intrusi ditunjukkan pada Gambar 8.
Data ini memperlihatkan bahwa data intrusi dan non-intrusi terbagi kedalam 2 kelas data yang punya jumlah yang cukup seimbang.
Jumlah yang seimbang ini dapat memudahkan model untuk lebih mengenali karakteristik dari setiap datanya.
Modelling Proses pembangunan model klasifikasi pada penelitian akan menggunakan tiga algoritma yaitu Support Vector Machine (SVM).
Random Forest, dan Multi-layer Perceptron Neural Network (MLP-NN).
SVM adalah algoritma machine learning yang biasa digunakan dalam klasifikasi data dengan membuat batas pemisah atau hyperlane terhadap masing-masing kelas klasifikasi (Putro, 2.
Pada penelitian ini akan digunakan kernel yang umum pada model SVM yaitu kernel linear, polynomial.
RBF dan sigmoid (Zhang et al.
, 2.
Persamaan kernel linear, 214 BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026 polynomial.
RBF dan sigmoid ditunjukan pada persamaan .
, .
, .
(Aryo Anggoro & Permatasari, 2.
cuycn , ycuyc ) = ycuycn Oo ycuyc ycc ya.
cuycn , ycuyc ) = .
cuycn Oo ycuyc yca ) .
cuycn , ycuyc ) = exp(Oey.
ycuycn Oe ycuyc | ) .
cuycn , ycuyc ) = tanh.
cuycn Oo ycuyc ) y.
Random Forest adalah algoritma jenis ensemble yang terdiri dari beberapa decision tree(Breiman, 2.
Setiap decision tree akan mengambil subset data dengan metode bagging .
ootstrap aggregatin.
Dan pada hasil akhirnya, algoritma ini akan melakukan voting terhadap setiap hasil decision tree untuk menentukan apakah data termasuk pada klasifikai intrusi atau nonintrusi.
Algoritma ini memiliki keunggulan yang tidak terlalu sensitif terhadap outlier.
Algoritma ini pun punya performa yang sangat tinggi jika digunakan dalam data yang besar(Susetyoko et , 2.
Algoritma Random Forest banyak digunakan dalam beberapa penelitian karena kemampuannya dalam mengurangi overfitting terhadap data(Hassan et al.
, 2.
Persamaan algoritma Random Forest secara sederhana dapat ditunjukkan pada Persamaan .
yc = ycoycuyccyce(Ea1 .
Ea2 .
A .
Eaycu .
) .
Multi-layer Perceptron (MLP-NN) adalah algoritma klasifikasi yang ada pada machine learning dengan menggunakan konsep saraf tiruan atau neuron(Popescu & Balas, 2.
MLPNN terdiri dari beberapa lapisan neuron tiruan yang disebut sebagai perceptron.
Input pada perceptron layer pertama akan menghasilkan output yang dijadikan input untuk perceptron pada layer berikutnya atau biasa disebut hidden layer, hingga pada hasil output terakhir.
Pada setiap perceptron yang memproses data ada fungsi aktivasi yang berjalan yang bertugas untuk menentukan nilai output dikeluarkan.
Pada metode klasifikasi MLP-NN ada tiga fungsi aktivasi yang umum digunakan yaitu aktivasi ReLU (Rectified Linear Uni.
, sigmoid/logistic, dan tanh(Abdulrahman Safar et al.
, 2.
Persamaan setiap perceptron dalam algoritma MLP-NN digambarkan dalam Persamaan .
= yce .
cO .
coOe.
) .
Data akan dibagi menggunakan train_test_split dengan rasio 80% data training dan 20% data test serta parameter stratify untuk menjaga proporsi kelas.
Teknik 5-fold cross validation digunakan dalam proses pelatihan model untuk menghindari overfitting.
Dengan membagi data menjadi lima subset dan melakukan validasi silang, performa model diuji pada berbagai variasi Hasil rata-rata dari lima pengujian ini menggambarkan kemampuan model dalam melatih data training nya (Rodrigues et al.
, 2.
Evaluasi Hasil evaluasi dari pemodelan dapat diukur dari beberapa paramater.
Umumnya parameter pengukuran dilakukan dengan mengkalkulasi nilai True Positive (TP).
False Positive (FP).
True Negative (TN), dan False Negative (FN)(Chicco & Jurman, 2.
Hubungan antar parameter tersebut digambarkan dalam hubungan confusion matrix yang menunjukan kondisi label yang benar (True Labe.
dengan label prediksi (Prediction Labe.
seperti pada Tabel 1.
Tabel 1.
Confusion Matrix Prediction Label True Label Positive Negative Positive Negative Dari parameter tersebut, diambil empat kriteria penilaian dalam menghitung performa model setiap algortima machine learning yang terdapat pada fungsi Classification Report yaitu BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026 Precision.
Recall.
F1-Score dan Accuracy(Lohani et al.
, 2.
Presisi adalah rasio prediksi positif yang terbaca benar terhadap total nilai prediksi positif.
Recall adalah banyaknya pembacaan positif dari semua data positif yang ada.
F1-Score adalah penggabungan antara nilai Presisi dan Recall dan meilhat keseimbangan dari dua nilai tersebut.
Sedangkan Accuracy adalah rasio prediksi yang benar dengan total semua data prediksi yang dilakukan(Khan et al.
, 2.
Presisi.
Recall.
F1-Score dan Accuracy dirumuskan dalam persamaan .
, .
, .
, dan .
ycNycE ycEycyceycycnycycn = ycNycE yaycE ycNycE ycIyceycaycaycoyco = ycNycE yaycA ycEycyceycaycnycycnycuycu yycIyceycaycaycoyco F 1-Score = 2 y ycEycyceycaycnycycnycuycu ycIyceycaycaycoyco ycNycE ycNycA yaycaycaycycycaycayc = ycNycE ycNycA yaycE yaycA Metode ROC-AUC (Receiver Operating Characteristic Ae Area Under Curv.
digunakan juga pada penelitian ini untuk mengukur hasil evaluasi model dalam membedakan kedua kelas intrusi dan non-intrusi berdasarkan nilai probabilitas.
Kurva ROC menunjukan proporsi data nonintrusi yang salah diklasifikasikan.
Sedangkan untuk AUC mengukur luas area dibawah kurva ROC di rentang nilai 0 sampai 1.
Nilai mendekati 1 menunjukan model memiliki kemampuan yang baik dalam klasifikasi (Prakoso & Hermawan, 2.
HASIL DAN PEMBAHASAN
Hasil Pengumpulan Data Alat sensor dan microcontroller yang sudah dirancang ditunjukkan pada Gambar 3.
Sensor yang sudah dirakit dan terhubung dengan microcontroller dipasang di pagar perimeter untuk menangkap getaran.
Selama pengujian sensor dapat mendeteksi perubahan getaran yang terjadi secara responsif dan real-time.
Hal ini menunjukan sensor SW-420 bekerja cukup baik dalam membaca getaran yang diterima (Alamsyah et al.
, 2023.
Ghazali & Rahiman, 2.
Gambar 3.
Sensor dan Microcontroller.
Topologi yang diterapkan dalam proses pengumpulan data ditunjukan pada Gambar 4.
Data pembacaan sensor berhasil ditangkap oleh aplikasi MQTT subscriber melalui MQTT broker.
Selama pengujian proses pengiriman data berjalan stabil jika koneksi wifi memiliki sinyal yang Topologi ini menunjukan bahwa protokol MQTT mampu mengirimkan data getaran secara real-time kepada server (Hairatunnisa et al.
, 2021.
Khan et al.
, 2.
216 BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026 Gambar 4.
Topologi Sensor.
Microcontroller, dan Program Pengambilan Dataset Dengan Protokol MQTT Sensor diujicoba selama beberapa hari guna menangkap skenario data intrusi dan nonintrusi.
Aktivitas skenario intrusi dan non-intrusi ditunjukan pada Gambar 5 dan Gambar 6.
Setiap skenario data intrusi dan non-intrusi yang masuk diperhatikan agar kondisi yang terekam optimal dan tidak ada kondisi sensor idle yang memungkinkan data memiliki noise.
Gambar 5.
Skenario Aktivitas Intrusi Gambar 6.
Aktivitas Non-Intrusi (Hujan dan Kendaraan Melinta.
Tabel 2 menunjukan data yang berhasil direkam oleh kedalam file dataset.
Sistem berhasil merekam 1025 data getaran.
Data getaran yang terekam terdiri dari 519 data getaran intrusi dan 506 data getaran non-intrusi.
Tabel 2.
Tabel Data Intrusi dan Non-Intrusi Nilai Getaran BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026 Label Nonintrusi Nonintrusi a Nonintrusi Nonintrusi Nonintrusi Intrusi Intrusi Intrusi Intrusi Intrusi Visualisasi Data Visualisasi pada Gambar 7 menampilkan 10 contoh pada masing-masing data intrusi dan non-intrusi.
Pada visualisasi tersebut getaran yang terjadi karena intrusi nilainya cenderung tinggi dan fluktuatif.
Sedangkan getaran yang terjadi pada kategori non-intrusi lebih kecil fluktuasinya.
Gambar 7.
Visualisasi Contoh Getaran Intrusi dan Non-Intrusi Setiap nilai getaran yang terekam dalam dataset memiliki korelasi antara satu dengan yang lainnya yang dapat saling mempegaruhi pada saat proses klasifikasi.
Korelasi setiap datanya divisualisasikan oleh Correlation Matrix seperti pada Gambar 8.
Nilai yang mendekati angka 1 ada pada kolom VibrationValue_6 dan VibrationValue_7 menandakan bahwa korelasi antara kedua nilai getaran yang memiliki hubungan yang kuat (Jasman et al.
, 2022.
Nur Fauzi et al.
218 BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026 Gambar 8.
Correlation Matrix Setiap Kolom Hasil Persiapan Data Proses normalisasi menggunakan Standard Scaler berhasil dilakukan terhadap seluruh nilai getaran dari VibrationValue_1 hingga VibrationValue_10.
Hasil dari proses ini menunjukkan bahwa distribusi nilai pada setiap kolom fitur telah berada pada skala yang lebih seragam, dengan rata-rata mendekati nol dan standar deviasi satu seperti yang ditunjukkan oleh Gambar 9 .
e Amorim et al.
, 2022.
Elkhadir & Achkari Begdouri, 2.
Dengan skala data yang tidak terlalu jauh, model klasifikasi dapat mengenali lebih baik pola getaran antara intrusi dan non-intrusi.
Gambar 9.
Data Setelah Normalisasi Setelah proses normalisasi dilakukan teknik Label Encoder pada kolom AuLabelAy.
Nilai kolom yang awalnya berupa nilai string AuintrusiAy dan Aunon-intrusiAy telah berhasil dikonversi ke bentuk numerik 0 dan 1 seperti ditunjukan pada Gambar 10.
Hasil encoding ini memungkinkan seluruh algoritma klasifikasi untuk memproses label dalam format numerik (Herdian et al.
, 2.
Gambar 10.
Hasil Label Encode Pemeriksaan duplikasi data pun dilakukan pada tahap ini.
Terdapat 28 data yang memiliki kesamaan nilai yaitu 0 di setiap VibrationValue yang terekam.
Nilai itu terjadi ketika sistem tidak mendeteksi getaran pada pagar perimeter.
Setelah penghapusan duplikat, jumlah data yang dapat digunakan untuk pemodelan berjumlah 997 dari total awal 1025 seperti ditunjukkan Gambar 11.
Penghapusan ini penting dilakukan agar tidak terjadi pengulangan pola data yang sama.
BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026 Gambar 11.
Jumlah Data Setelah Menghapus Data Duplikat Analisis distribusi kelas dilakukan untuk melihat keseimbangan jumlah data antara data intrusi dan non-intrusi.
Visualisasi berupa pie chart dan bar chart digunakan untuk menggambarkan distribusi data seperti pada Gambar 12.
Gambar menunjukkan distribusi yang relatif seimbang antara data intrusi dan non-intrusi yaitu sekitar 52,1% data intrusi dan 47,9% data non-intrusi.
Keseimbangan ini memberikan keuntungan bagi pemodelan karena resiko bias klasifikasi terhadap salah satu kelas menjadi kecil (Jasman et al.
, 2.
Gambar 12.
Distribusi Data Intrusi dan Non-Intrusi Hasil Modelling Data pada Tabel 3 menampilkan hasil dari skor rata-rata cross validation dengan waktu eksekusi model di setiap algoritma beserta parameternya.
Berdasarkan data pada tabel tersebut, model klasifikasi dari algoritma Random Forest memiliki nilai rata-rata cross validation yang paling baik serta memiliki waktu eksekusi yang cukup cepat dibandingkan dengan dua algoritma lainnya (Hassan et al.
, 2022.
Susetyoko et al.
, 2.
Algoritma SVM yang memiliki waktu eksekusi tercepat dibandingkan dua algortima lain namun nilai rata-rata cross validation masih dibawah algoritma Random Forest.
Algoritma MLP-NN memiliki waktu eksekusi yang lebih lama diantara semua algoritma karena proses modelling memproses data training dengan teknik cross validation ditambah dengan parameter max_iter agar algoritma dapat menghasilkan model yang Pada proses modelling algoritma MLP-NN, fungsi aktivasi ReLu dan tanh memerlukan dua hidden layer yang terdiri dari 100 perceptron di layer pertama dan 50 perceptron di layer kedua untuk menghasilkan model yang konvergen.
Sedangkan fungsi aktivasi logistic memerlukan tiga hidden layer yang terdiri dari 100 perceptron di layer pertama, 100 perceptron di layer kedua dan 50 perceptron di layer ketiga untuk menghasilkan model yang konvergen (Intan et al.
, 2.
Tabel 3.
Skor Cross Validation dan Waktu Eksekusi Parameter Waktu Skor Cross Algoritma (Kernel / Eksekusi Validation Aktivas.
Linear
0,83
0,754
SVM
Polynomial 0,64 0,879 220 BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026
RBF
Sigmoid
0,88
0,81
0,592
0,501
Random
Forest
0,95
2,495
MLP-NN
ReLu
Logistic Tanh
0,87
0,88
0,87
35,026
21,612
80,605
Hasil Evaluasi Tabel 4 menampilkan hasil evaluasi masing-masing model berdasarkan penilaian precision, recall, f1-score dan accuracy.
Algoritma SVM diuji dengan empat jenis kernel yang berbeda .
inear, polynomial, rbf, dan sigmoi.
dan algoritma MLP-NN diuji dengan tiga jenis fungsi aktivasi (ReLu, logistic, dan tan.
Algoritma
SVM
Tabel 4.
Hasil Evaluasi Modelling Parameter (Kernel / Precision Recall F1-Score Aktivas.
Linear
0,86
0,85
0,85
Polynomial 0,80 0,69 0,66 RBF
0,91
0,91
0,90
Sigmoid
0,86
0,86
0,86
Accuracy (%) Random
Forest
0,97
0,97
0,97
MLP-NN
ReLu
Logistic Tanh
0,91
0,93
0,93
0,91
0,92
0,93
0,91
0,92
0,93
Berdasarkan data pada Tabel 4, algoritma Random Forest menunjukan performa klasifikasi terbaik dengan nilai akurasi 97% serta memiliki waktu eksekusi yang relatif cepat.
Hal ini disebabkan oleh keunggulan algortima Random Forest dalam menangani data yang memiliki sifat non-linear seperti data getaran pada sensor SW-420 (Susetyoko et al.
, 2.
Hasil akurasi tertinggi yang diperoleh dari algoritma Random Forest dalam penelitian ini sejalan dengan temuan penelitian lain yang memanfaatkan gabungan beberapa sensor termasuk sensor getaran dan kamera video untuk mendeteksi intrusi (Pitafi et al.
, 2.
Namun penelitian ini menunjukkan bahwa bahkan tanpa kombinasi alat deteksi lain, sensor SW-420 dan Random Forest tetap menghasilkan akurasi tinggi yang menunjukkan potensinya dalam deteksi getaran intrusi dengan baik.
Algoritma SVM dengan kernel RBF dan algoritma MLP-NN dengan fungsi aktivasi tanh juga memberikan performa yang cukup baik dengan masing-masing nilai akurasi di 90,5% dan 93%.
Kernel RBF pada SVM memiliki kemampuan untuk memetakan data kedalam dimensi yang lebih tinggi sehingga dari performa pembacaan getaran dapat lebih baik dibandingkan dengan kernel yang lainnya.
Sedangkan algoritma MLP-NN dengan aktivasi tanh memiliki kinerja yang baik sehingga nilai akurasinya lebih tinggi dibandingkan fungsi aktivasi lainnya.
Namun dari segi waktu eksekusi, algoritma ini mempunyai catatan waktu yang lebih lama dibandingkan dengan algoritma lainnya.
Meski sensor yang digunakan berbeda, penelitian ini berhasil mendekati akurasi dari penelitian lain dengan menggunakan sensor SW-420 yang lebih ekonomis dan berpotensi menunjukkan efisiensi biaya tanpa mengorbankan performa klasifikasi (Mi et al.
Visualisasi confusion matrix masing-masing algoritma dengan hasil terbaiknya ditampilkan pada Gambar 9 untuk algortima SVM kernel RBF.
Random Forest, dan MLP-NN aktivasi tanh.
Ketiga model memiliki nilai yang cukup baik namun Random Forest menunjukan kesalahan klasifikasi yang paling rendah dibanding yang lainnya.
BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026 Gambar 13.
Confusion Matrix Hasil Evaluasi Evaluasi performa modelling juga dilakukan menggunakan ROC-AUC dengan tujuan untuk melihat kemampuan model dalam memisahkan data ke dalam kelas intrusi dan non-intrusi.
Pada visualisasi Gambar 10 menunjukan kurva Random Forest memiliki kurva lebih tinggi dan nilai AUC yang lebih tinggi dibanding performa algoritma yang lainnya.
Hasil ini sejalan dengan penelitian lain yang menggunakan evaluasi ROC-AUC sebagai acuan dalam melihat performa klasifikasi (Prakoso & Hermawan, 2.
Gambar 14.
Kurva ROC-AUC Penelitian ini memberikan implikasi bahwa kombinasi antara sensor sederhana dan algoritma machine learning tetap mampu menghasilkan sistem klasifikasi yang akurat dalam melakukan deteksi intrusi berbasis getaran.
Hasil penelitian ini juga membuka potensi implementasi sistem keamanan perimeter yang lebih hemat biaya namun tetap bagus dalam akurasinya terlebih untuk di area yang memiliki keterbatasan infrastruktur dan sumber daya Adapun untuk penelitian selanjutnya, hasil penelitian ini dapat dijadikan dasar dalam pengembangan sistem deteksi intrusi dengan dimensi data dan parameter yang lebih kompleks dan bervariasi.
SIMPULAN
Kesimpulan dari penelitian ini didapat bahwa ketiga algoritma SVM.
Random Forest, dan MLP-NN memiliki nilai akurasi yang sangat baik dalam mengklasifikasikan data getaran yang terjadi akibat intrusi atau non-intrusi.
Performa terbaik dihasilkan dari algoritma Random Forest yang memiliki nilai akurasi tertinggi.
Dengan komponen sederhana seperti sensor SW-420 dan protokol MQTT serta algoritma Random Forest, penelitian ini dapat membuktikan bahwa algoritma machine learning dapat mengoptimalkan pembacaan potensi getaran intrusi pada data yang diambil dari pagar perimeter.
Saran penulis pada pengembangan penelitian selanjutnya algoritma deteksi intrusi ini dapat digabungkan dengan parameter deteksi lain seperti video pada kamera CCTV atau integrasi dengan sistem IoT dalam implementasi model machine learningnya.
222 BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026
DAFTAR RUJUKAN
Abdulrahman Safar.
Salih.
, & Murshid.
Pattern recognition using the multi-layer perceptron (MLP) for medical disease: A survey.
Int.
Nonlinear Anal.
Appl, 14, 2008Ae6822.
https://doi.
org/10.
22075/ijnaa.
Alamsyah.
Wery Melisa.
Sari.
Mutia Raudhatul Zahra.
Muhammad Yuliansyah Putra.
Zafran Afif.
Shalih Muhammad Abdul Azhim.
Yuliza.
, & Ekawita.
Distance Range Test of SW-420 Sensor-Based Vibration Detection System.
Jurnal Kumparan Fisika, 6.
, 177Ae184.
https://doi.
org/10.
33369/jkf.
Aryo Anggoro.
, & Permatasari.
Performance Comparison of the Kernels of Support Vector Machine Algorithm for Diabetes Mellitus Classification.
IJACSA) International Journal of Advanced Computer Science and Applications, 14.
, 215.
Breiman, .
Random Forests (Vol.
https://doi.
org/https://doi.
org/10.
1023/A:1010933404324
Chapman.
Clinton.
Kerber.
Khabaza.
Reinartz.
Shearer.
, & Wirth.
CRISP-DM 1.
0 Step-by-step Data Mining Guide .
Chicco.
, & Jurman.
The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation.
BMC Genomics, 21.
https://doi.
org/10.
1186/s12864-019-6413-7 de Amorim.
Cavalcanti.
, & Cruz.
The choice of scaling https://doi.
org/10.
1016/j.
Elkhadir.
, & Achkari Begdouri.
Enhancing internet of things attack detection using principal component analysis and kernel principal component analysis with cosine distance and sigmoid kernel.
International Journal of Electrical and Computer Engineering (IJECE), 15.
, 1099.
https://doi.
org/10.
11591/ijece.
Ghazali.
, & Rahiman.
Vibration-Based Fault Detection in Drone Using Artificial Intelligence.
Ie Sensors Journal, 22.
, 8439Ae8448.
https://doi.
org/10.
1109/JSEN.
Hairatunnisa.
Nugroho.
, & Margiono.
Analisis Kinerja Protokol MQTT dan HTTP Pada Akuisisi Data Magnet Berbasis Internet of Things.
Jurnal Ilmiah Informatika, 6.
, 71Ae80.
https://doi.
org/10.
35316/jimi.
Hassan.
Abdullahi.
Aliyu.
Yusuf.
, & Abdulrahim.
An improved binary manta ray foraging optimization algorithm based feature selection and random forest classifier for network intrusion detection.
Intelligent Systems with Applications, 16.
https://doi.
org/10.
1016/j.
Herdian.
Kamila.
, & Agung Musa Budidarma.
Studi Kasus Feature Engineering Untuk Data Teks: Perbandingan Label Encoding dan One-Hot Encoding Pada Metode Linear Regresi.
Technologia :
Jurnal Ilmiah, 15.
, https://doi.
org/10.
31602/tji.
Intan.
Ardhia.
, & Sri.
Klasifikasi Penyakit Stunting Menggunakan Algoritma Multi-Layer Perceptron.
Journal MIND Journal | ISSN, 9.
, 52Ae63.
https://doi.
org/10.
26760/mindjournal.
Jasman.
Hasmin.
Sunardi.
Susanto.
, & Musu.
Perbandingan Logistic Regression.
Random Forest, dan Perceptron pada Klasifikasi Pasien Gagal Jantung.
CSRID
(Computer Science Research and Its Development Journa.
, 14.
, 271Ae286.
https://doi.
org/10.
22303/csrid.
Khan.
Khan.
Jan.
Ahmad.
Jamal.
Shah.
Pitropakis.
, &
Buchanan.
A deep learning-based intrusion detection system for mqtt enabled In Sensors (Vol.
Issue .
MDPI.
https://doi.
org/10.
3390/s21217016 BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026 Li.
Zhen.
Li.
Hu.
, & Yang.
Optical Fiber Vibration Signal Recognition Based on the EMD Algorithm and CNN-LSTM.
Sensors, 25.
, 2016.
https://doi.
org/10.
3390/s25072016 Lohani.
Crispim-Junior.
Barthylemy.
Bertrand.
Robinault.
, & Rodet.
Perimeter Intrusion Detection by Video Surveillance: A Survey.
In Sensors (Vol.
Issue .
MDPI.
https://doi.
org/10.
3390/s22093601 Mi.
Yu.
Xiao.
, & Wu.
Intrusion behavior classification method applied in a Optics Express, 29.
, https://doi.
org/10.
1364/oe.
Nur Fauzi.
Khomsah.
, & Putra Wicaksono.
Penerapan Feature Engineering dan Hyperparameter Tuning untuk Meningkatkan Akurasi Model Random Forest pada Klasifikasi Risiko Kredit.
Jurnal Teknologi Informasi Dan Ilmu Komputer, 12.
, 251Ae https://doi.
org/10.
25126/jtiik.
Pitafi.
Anwar.
Widia.
Yimwadsana.
, & Pitafi.
Revolutionizing Perimeter Intrusion Detection: A Machine Learning-Driven Approach with Curated Dataset Generation for Enhanced Security.
Ie Access, 11, 106954Ae106966.
https://doi.
org/10.
1109/ACCESS.
Popescu.
-C.
, & Balas.
Multilayer Perceptron and Neural Networks.
WSEAS
Transactions on Circuits and Systems, 8.
, 579Ae588.
Prakoso.
, & Hermawan.
Perbandingan Model Machine Learning dalam Analisis Sentimen Ulasan Pengunjung Keraton Yogyakarta pada Google Maps.
Kajian Ilmiah Informatika Dan Komputer, 4.
, 1292Ae1302.
https://doi.
org/10.
30865/klik.
Putro.
Performance Comparison of SVM Kernels for Intrusion Detection System Using UNSW-NB15 Dataset.
Jurnal Teknik Elektro, 17.
Rizki.
Lbs.
Sylvia.
, & Nasution.
The Design Of Perimeter Intrusion Detection System (PIDS) Surveillance Alarm Using USB Webcam And Artificial Intelligence Based On Web And Telegram Bot At Medan Aviation Polytechnic.
Jurnal Scientia, 13.
https://doi.
org/10.
58471/scientia.
Rodrigues, yA.
Gontijo.
Niquini.
Emilio.
, & Moreno.
Spatial crossvalidation Machine Learning ResearchGate.
https://doi.
org/10.
13140/RG.
Susetyoko.
Purwantini.
Nur Iman.
, & Satriyanto.
An Improved Accuracy of Multiclass Random Forest Classifier with Continuous Attribute Transformation Using Random Percentile Generation.
https://doi.
org/https://doi.
org/10.
18517/ijaseit.
Zhang.
Zhen.
Jing.
Tang.
Chen.
, & Yan.
SVM Based Intrusion Detection Method with Nonlinear Scaling and Feature Selection.
IEICE Transactions on Information Systems.
E105D.
, 1024Ae1038.
https://doi.
org/10.
1587/transinf.
2021EDP7184
224 BRILIANT: Jurnal Riset dan Konseptual Volume 11 Nomor 1.
Februari 2026