Sistem deteksi instrusi jaringan dengan metode restricted growing self-organizing MAP
| Main Authors: | Christyawan, Tomi Yahya, Wayan Firdaus Mahmudy, S.Si., M.T., Ph.D., Dr.Eng. Ahmad Afif Supianto, S.Si, M.Kom. |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/193834/1/Tomi-Yahya-Tesis-Sistem%20Deteksi%20Intrusi%20Jaringan%20Dengan%20Metode%20Restricted%20Growing%20Self-Organizing%20Map.pdf http://repository.ub.ac.id/id/eprint/193834/ |
Daftar Isi:
- Perkembangan teknologi internet dan jaringan yang pesat juga diikuti ancaman berbahaya dari serangan terhadap jaringan dan komputer. Sistem Deteksi Intrusi atau Intrusion Detection System (IDS) dibuat untuk menangani permasalahan tersebut. Pengembangan IDS saat ini banyak menggunakan machine learning untuk melakukan klasifikasi terhadap serangan berbahaya. Salah satu metode untuk melakukan klasifikasi dan visualisasi adalah dengan Self- Organising Map (SOM). SOM mampu melakukan klasifikasi dan visualisasi pada proses pembelajaran, sehingga dapat digunakan untuk memperoleh pengetahuan baru. Permasalahan yang dimiliki oleh SOM yaitu waktu komputasi yang kurang efisien apabila diterapkan pada data yang berukuran besar (big data), permasalahan ini telah di coba diselesaikan dengaan metode Growing Self- Organizing Map (GSOM) namum masih belum optimal. Pada penelitian ini diajukan metode Restricted Growing SOM (RGSOM) yang dikombinasikan dengan metode Principle Component Analysis (PCA) sebagai reduksi fitur yang bertujuan untuk meningkatkan efisiensi waktu komputasi. Proses utama dalam RGSOM adalah proses berkembangnya map dan proses pembaharuan bobot pada map. Berkembangnya map pada RGSOM dibatasi oleh jumlah node maksimum dan ambang batas berkembang (Growing Threshold). Pada penelitian sebelumnya metode Support Vector Machine (SVM) dan hibridisasinya menghasilkan akurasi yang tinggi, sehingga dalam penelitian ini SVM akan digunakan sebagai metode pembanding sebagai referensi akurasi dari metode yang diusulkan. Metode yang diusulkan dalam penelitian ini mampu menghasilkan nilai akurasi sebesar 99.53 % dan waktu komputasi selama pelatihan adalah 519.4 detik dan pengujian adalah 884.8 detik, dan paling efisien dari pada metode pembanding lainnya (SOM, GSOM, dan SVM). Pada penelitian ini metode yang diusulkan mampu meningkatkan efisiensi waktu komputasi dalam melakukan klasifikasi tanpa mengorbankan akurasi.