Arfan Efliadi, - (2019) PENERAPAN SYMMETRICAL UNCERTAINTY DAN GAIN RATIO UNTUK KLASIFIKASI SERANGAN JARINGAN MENGGUNAKAN METODE MODIFIED K-NEAREST NEIGHBOR. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.
|
Text
1. COVER.pdf Download (430kB) | Preview |
|
|
Text
2. LEMBAR PENGESAHAN.pdf Download (1MB) | Preview |
|
|
Text (Abstrak)
3. Abstrak.pdf - Published Version Download (263kB) | Preview |
|
|
Text
4. KATA PENGANTAR.pdf Download (394kB) | Preview |
|
|
Text
5. DAFTAR ISI.pdf Download (295kB) | Preview |
|
|
Text
6. BAB I.pdf Download (335kB) | Preview |
|
|
Text
7. BAB II.pdf Download (501kB) | Preview |
|
|
Text
8. BAB III.pdf Download (578kB) | Preview |
|
|
Text
9. BAB IV.pdf Download (1MB) | Preview |
|
![[img]](http://repository.uin-suska.ac.id/style/images/fileicons/text.png) |
Text (Bab 5)
10. BAB V.pdf - Published Version Restricted to Registered users only Download (1MB) |
|
|
Text
11. BAB VI.pdf Download (261kB) | Preview |
|
|
Text
12. DAFTAR PUSTAKA.pdf Download (375kB) | Preview |
Abstract
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
| Item Type: | Thesis (Skripsi) |
|---|---|
| Subjects: | 000 Karya Umum > 004 Pemrosesan Data, Ilmu Komputer, Teknik Informatika |
| Divisions: | Fakultas Sains dan Teknologi > Teknik Informatika |
| Depositing User: | Ari Eka Wahyudi |
| Date Deposited: | 17 Jul 2019 07:12 |
| Last Modified: | 17 Jul 2019 07:12 |
| URI: | http://repository.uin-suska.ac.id/id/eprint/16170 |
Actions (login required)
 |
View Item |