FEATURE SELECTION MENGGUNAKAN GAIN RATIO DAN SYMMETRICAL UNCERTAINTY UNTUK KLASIFIKASI PADA METODE LEARNING VECTOR QUANTIZATION 2.1 (STUDI KASUS DATASET NSL-KDD)
Daftar Isi:
- Dataset NSL-KDD merupakan kumpulan data yang efektif untuk membandingkan metode-metode dalam deteksi intrusi. Dataset tersebut memiliki fitur dengan jumlah 41 fitur. Tidak semua fitur yang terdapat dalam dataset tersebut dibutuhkan untuk mengklasifikasi jenis serangan. Untuk memilih fitur-fitur yang relevan maka diperlukan sebuah metode yaitu feature selection (FS). FS merupakan teknik pemrosesan data untuk mengurangi jumlah fitur dan meningkatkan kinerja klasifikasi. Klasifikasi merupakan proses pengelompokan objek ke dalam kelompok berdasarkan atribut tertentu. Pada penelitian ini metode FS yang digunakan yaitu gain ratio dan symmetrical uncertainty yang kemudian diklasifikasikan menggunakan metode Learning Vector Quantization 2.1 (LVQ2.1). Dari hasil penelitian yang dilakukan dengan membandingkan fitur-fitur yang terpilih diberbagai skenario, akurasi terbaik sebesar 90% menggunakan 29 fitur dengan nilai learning rate (α) = 0.035, 0.06, 0.075 dan window (ɛ) = 0.3, 0.4. Sedangkan rata-rata akurasi terbaik diperoleh dengan menggunakan 8 fitur sebesar 86%. Kata Kunci : Feature Selection, Gain Ratio, Learning Vector Quantization 2.1, NSL-KDD, Symmetrical Uncertainty.