Deteksi Serangan ICMP Flood Menggunakan Metode Random Forest Dan Support Vector Machine Dan Seleksi Fitur Forward Selection Pada Jaringan Internet Of Things (IoT)

Harid, Harid (2025) Deteksi Serangan ICMP Flood Menggunakan Metode Random Forest Dan Support Vector Machine Dan Seleksi Fitur Forward Selection Pada Jaringan Internet Of Things (IoT). Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (320kB)
	Text BAB II.pdf Restricted to Registered users only Download (959kB)
	Text BAB III.pdf Restricted to Registered users only Download (300kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Download (194kB)
	Text DAFTAR PUSTAKA.pdf Download (452kB)

Abstract

Perangkat IoT telah memainkan peran penting dalam mendorong serangan DDoS. Hal ini tetap menjadi ancaman yang belum berkurang. Salah satunya yaitu serangan ICMP Flood. Intrusion Detection System (IDS) adalah tindakan keamanan yang digunakan untuk memantau dan menganalisis jaringan dan sistem komputer untuk mengetahui adanya potensi akses yang tidak sah atau kerentanan. Intrusion Detection System telah memunculkan kompleksitas baru seperti menghasilkan data yang rumit dengan dimensi data yang sangat tinggi. Salah satu solusi yang disarankan untuk mengatasi masalah dimensi data adalah pemanfaatan teknik seleksi fitur. Teknik seleksi fitur Forward Selection digunakan untuk mengeliminasi fitur yang tidak relevan. Penelitian ini melakukan komparasi performa algoritma Random Forest dan SVM. Penelitian ini menggunakan dataset CICIoT2023. Penggunaan Forward Selection mendapatkan 11 fitur terpilih yang akan digunakan pada proses machine learning menggunakan metode Random Forest dan SVM. Seleksi fitur mempengaruhi waktu komputasi atau waktu proses, dikarenakan semakin sedikit fitur yang digunakan maka mampu mengurangi beban kerja sistem dalam melakukan proses klasifikasi. Hasil pengujian memperlihatkan pengujian 2 dengan penggunaan seleksi fitur merupakan pengujian terbaik dari semua pengujian karena model random forest mendapatkan accuracy sebesar 100% pada setiap mode klasifikasi dan waktu performa model yang lebih baik dibandingkan pada pengujian 1. Sedangkan untuk model SVM mendapatkan akurasi yang lebih baik dengan menggunakan seleksi fitur dengan accuracy tertinggi sebesar 99.4508% pada pengujian supplied test set.

Actions (login required)

View Item