Pada perkembangan teknologi jaringan internet sekarang ini banyak membahas tentang fenomena-fenomena serangan atapun ancaman terhadap sebuah komputer atau server. Banyak sekali macam-macam tipe ancaman pada komputer dalam sebuah jaringan internet seperti DoS (Denial of Service), DDoS (Distributed Denial of Service), flash-crowd, dan sebagainya. Oleh karena itu, untuk memudahkan dalam pengambilan informasi agar sesuai dengan keinginan, perlu adanya pengelompokan dalam anomali trafik tersebut untuk mengenali tipe-tipe serangan yang baru. Dalam pengelompokan anomaly trafik tersebut, pada Tugas Akhir ini suatu algoritma clustering yaitu algoritma CURE yang memiliki prestasi menangani data dalam jumlah yang besar, dan juga bekerja dengan cara mengukur jarak antar suatu trafik dengan daftar poin perwakilan cluster yang sudah dipilih sebelumnya. Namun yang menjadi perhatian dalam analisis proses pengelompokkan anomaly tersebut adalah masalah pelabelan dan validasi tiap objek dari hasil proses clustering tersebut.
Dari permasalahan tersebut perlu adanya strategi dalam teknik pelabelan khusus dan sebuah validasi untuk menganalisis hasil informasi yang didapat agar sesuai dengan keinginan, kebutuhan untuk pengelompokan dalam anomali trafik. Dengan memvalidasi cluster kita akan mendapatkan jumlah cluster optimal dalam analisis anomali trafik dalam hal ini adalah metode clustering CURE (Clustering using Representatives). Hasil dari validasi akan menjelaskan bagaimana kualitas cluster dan tiap objek menggunakan teknik silhouette index. Tujuan utama dalam penerapan validasi ini merupakan modifikasi dari algoritma CURE dengan fokus utama yaitu masalah pelabelan tiap objek pada tiap cluster dan juga validasi dari hasil clustering algoritma CURE.
Hasil dari penelitian ini, algoritma CURE dapat mendeteksi anomaly trafik dengan baik dan mendapatkan nilai validasi terbaik menggunakan teknik silhouette. Dari analisis hasil clustering algoritma CURE didapatkan nilai validasi algoritma CURE menggunakan teknik silhouette pada Dataset KDDCUP’99 diperoleh nilai rata-rata silhouette tertinggi dengan accuracy 97.96%, dan nilai rata-rata silhouette cluster 0.7642748. Pada Dataset Darpa Week 5 Friday dengan nilai accuracy 98.56%, dan nilai rata-rata silhouette cluster 0.763525532.
Kata Kunci : anomali trafik, clustering, validasi cluster, algoritma CURE, Silhouette Coefficient