PENERAPAN SYMMETRICAL UNCERTAINTY DAN GAIN RATIO UNTUK KLASIFIKASI SERANGAN JARINGAN MENGGUNAKAN METODE MODIFIED K-NEAREST NEIGHBOR
Daftar Isi:
- Dataset NSL-KDD merupakan set data terbaik dan menjadi titik acuan untuk menguji sistem kerja Intrusion Detection System (IDS). Di dalam dataset ini terdapat 41 fitur, akan tetapi tidak semua fitur memberikan pengaruh pada saat melakukan intrusi serangan jaringan dan klasifikasi serangan hingga menyebabkan proses menjadi lebih lambat, oleh karena itu digunakan metode feature selection symmetrical uncertainty dan gain ratio untuk mengurangi fitur yang tidak relevan tersebut serta metode Modified K-Nearest Neighbor (MK-NN) untuk klasifikasi. Fitur yang digunakan pada penelitian ini berjumlah 11 fitur dengan nilai K =1,3,5,7,9,11 dengan output kelas yaitu Normal, DoS, Probe, U2R dan R2L. Hasil dari penelitian yang dilakukan diperoleh akurasi tertinggi yaitu 96.0784% dengan K = 1 dengan skenario perbandingan data 80%:20%. Jadi dapat disimpulakn bahwa dengan menggunakan kombinasi fitur seleksi Symmetrical Uncertainty dan Gain Ratio serta MK-NN dapat diterapkan untuk klasifikasi serangan jaringan dan menghasilkan nilai akurasi yang baik. Kata kunci : data mining, dataset NSL-KDD, feature selection, modified k-nearest neighbor, klasifikasi