Fauzul Azmi, - (2019) ANALISA KOMBINASI HASIL SELEKSI FITUR SYMMETRICAL UNCERTAINTY DAN GAIN RATIO PADA DATASET NSL-KDD MENGGUNAKAN METODE NAÏVE BAYES. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text 1. COVER.pdf Download (684kB) | Preview
Preview	Text 2. Lembar pengesahan.pdf Download (99kB) | Preview
Preview	Text (abstrak) 3. Abstrak.pdf - Published Version Download (519kB) | Preview
Preview	Text 4. Kata Pengantar.pdf Download (741kB) | Preview
Preview	Text 5. Daftar Isi.pdf Download (479kB) | Preview
Preview	Text 6. BAB I.pdf Download (588kB) | Preview
Preview	Text 7. BAB II.pdf Download (994kB) | Preview
Preview	Text 8. BAB II.pdf Download (738kB) | Preview
Preview	Text 9. BAB IV.pdf Download (2MB) | Preview
	Text (BAB V) 10. BAB V.pdf - Published Version Restricted to Repository staff only Download (1MB)
Preview	Text 11. BAB VI.pdf Download (529kB) | Preview
Preview	Text 12. Daftar Pustaka.pdf Download (746kB) | Preview

Abstract

Intrusion Detection System (IDS), merupakan sistem atau perangkat yang dapat melakukan deteksi terhadap serangan dalam jaringan komputer. Sebagai langkah awal membangun IDS, hampir 70% penelitian dilakukan menggunakan dataset Network Security Layer - Knowledge Discovery in Database (NSL-KDD). Walaupun demikian, dataset NSL-KDD memilki fitur yang tidak relevan dan berlebihan, menyebabkan waktu proses yang lama dan hasil detection rate rendah. Untuk mengatasi permasalahan tersebut, maka diterapkanlah algoritma Feature selection, yaitu algoritma untuk mengurangi fitur atau atribut yang ada pada dataset. Feature selection yang akan digunakan pada penelitian ini adalah Gain Ratio (GR) dan Symmetrical Uncertainty (SU), hasil feature selection kemudian dikombinasikan menggunakan persamaan Boolean And. Adapun tujuan dari penelitian ini adalah menganalisa kombinasi hasil Feature selection pada dataset NSL-KDD menggunakan model klasfikasi Naïve Bayes. Dataset NSLKDD yang akan digunakan sebelumnya akan disetarakan jumlah pada setiap kelasnya, kemudian didiskritisasi, kemudian diseleksi atributnya menggunakan Algortima Feature selection GR dan SU, selanjutnya 20 atribut dengan nilai terbaik dari hasil masing-masing algoritma Feature selection dikombinasikan menggunakan persamaan Boolean AND, sehingga terpilihlah 16 atribut dari kumpulan atribut yang ada. Setelah dianalisa menggunakan model klasfikasi Naïve Bayes, dapat disimpulkan bahwa kombinasi hasil feature selection SU dan GR pada dataset NSL-KDD dapat memeberikan hasil yang baik dengan tingkat akurasi rata-rata mencapai 90%. Kata kunci : Boolean AND, Feature selection, Gain Ratio, Intrusion Detection System (IDS), Naïve bayes, NSL-KDD, Symmetrical Uncertainty.

Actions (login required)

View Item