KOMPARASI KINERJA ALGORITMA KLASIFIKASI DATA MINING DALAM MENDETEKSI ANOMALI TRAFIK PADA JARINGAN KOMPUTER

Asmarani, Asih (2023) KOMPARASI KINERJA ALGORITMA KLASIFIKASI DATA MINING DALAM MENDETEKSI ANOMALI TRAFIK PADA JARINGAN KOMPUTER. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (130kB)
	Text BAB II.pdf Restricted to Registered users only Download (491kB)
	Text BAB III.pdf Restricted to Registered users only Download (255kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (9kB)
	Text DAFTAR PUSTAKA.pdf Download (230kB)

Abstract

Penggunaan jaringan yang semakin besar dengan kurangnya upaya menjaga keamanan jaringan akan membuka peluang terjadinya suatu ancaman. Anomali trafik menjadi salah satu bentuk ancaman yang terjadi pada jaringan yang dapat menyerang suatu sistem keamanan jaringan. Anomali trafik dapat berupa serangan DoS, DdoS, Brute Force, Sql Injection, dll. Penyebab dari anomali ini terjadi akibat banyaknya pengguna internet atau serangan pada suatu jaringan dengan adanya aktivitas yang menyimpang dari batas normal. Apabila serangan tersebut tidak dapat dideteksi akan membawa dampak kerugian terutama bocornya informasi dan terjadinya penyalagunaan data. Pada penelitian ini dilakukan komparasi algoritma klasifikasi data mining yaitu Naive Bayes, C4.5 dan Random Forest untuk membandingkan performa algoritma tersebut dalam mendeteksi anomali trafik pada trafik jaringan. Penelitian ini juga menggunakan seleksi fitur Information Gain untuk mengetahui apakah dengan penggunaan teknik seleksi fitur dapat mempengaruhi performa algoritma. Berdasarkan hasil eksperimen diperoleh bahwa algoritma Random Forest dan C4.5 memiliki performa yang baik dalam mendeteksi anomali trafik pada trafik jaringan, dan performa terbaik pengklasifikasian didapat tanpa menggunakan seleksi fitur.

Actions (login required)

View Item