Berkembangnya teknologi internet telah meningkatkan jumlah aktivitas masyarakat terhadappenggunaan internet. Seiring meningkatnya jumlah user mengakses internet memicu adanya fenomena anomaly traffic. Fenomena-fenomena anomaly traffic dapat berupa serangan Distributed Denial of Service (DDoS) dan Flash crowd. Menimbang dari dampak negatif yang diterima dari fenomena anomaly traffic tersebut, dirasa penting membangun metode deteksi yang dapat membedakan flash crowd dan serangan DDoS. Pada penelitian ini dibangun sebuah metode Intrusion Detection System (IDS) dengan teknik unsupervised learning yang menggunakan algoritma Isodata clustering. Pada penelitian ini menggunakan metode euclidean distance untuk rumus pengukuran jarak dan metode dunn index untuk melihat kualitas cluster yang dihasilkan. Hasil dari penelitian ini, sistem yang dibagun dapat bekerja dengan baik dalam deteksi dan membedakan antara traffic normal dan traffic anomaly. Dibuktikan dengan penggunaan metode Euclidean distance mengahasilkan performansi algoritma yang baik dibandingkan dengan penggunaan metode manhattan distance.
Analisis Sistem Deteksi Anomali Trafik Menggunakan Algoritma Clustering Isodata (Self-Organizing Data Analysis Technique) Dengan Euclidean Distance
