ANALISIS ANOMALY BOTNET DENGAN METODE K-NN (K- Nearest Neighbor)

Djari, Hajar Dewantoro (2022) ANALISIS ANOMALY BOTNET DENGAN METODE K-NN (K- Nearest Neighbor). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (895kB)
	Text (BAB I) BAB I.pdf Download (165kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (351kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (243kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (284kB)
	Text (BAB V) BAB V.pdf Download (49kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (67kB)
	Text (PUBLIKASI) Publikasi 17.11.1685 Hajar Dewantoro Djari.pdf Restricted to Repository staff only Download (376kB)

Abstract

Perkembangan di dunia internet saat ini mengalami kemajuan yang sangat pesat salah satunya di dunia jaringan komputer dan internet sehingga memicu pengguna internet yang semakin banyak, Hal ini menyebabkan Masalah – masalah baru yang bermunculan seperti serangan dan ancaman bagi pengguna internet saat ini. Ada berbagai macam serangan yang dimaksudkan untuk mencuri data dan informasi penting dan berharga untuk di salah gunakan demi kepentingan pribadi. Botnet adalah salah satu malware yang memiliki ancaman serius bagi keamanan internet. Dikarenakan botnet mampu melakukan serangan ilegal yakni spam, phishing, klik faund, pencurian password dan distributed denial of serfice (DDoS) attack. Tujuan dari penelitian ini adalah Mendeteksi botnet pada jaringan peer to peer dengan menggunakan metode K-NN, Membedakan jaringan yang sah dan tidak sah pada jaringan peer to peer dengan K-NN dan Memberikan edukasi untuk selalu waswpada akan adanya serangan pada jaringan yang digunakan. Adapun metode yang digunakan yaitu metode K-Nearest Neighbor adalah algoritma untuk mengklasifikasi objek baru berdasarkan atribut dan training samples (data latih). Adapun model peneliatian yang digunakan dalam penulisan ini ialah ujicoba apakah KNN dapat mendeteksi botnet secara akurat. berdasarkan hasil penelitian yang di implementasikan dari pengujian yang telah dilakukan Bahwa KNN mampu mendeteksi anomaly pada jaringan dengan akurasi bisa mencapai 95,6%. Untuk menyempurnakan dan mengembangkan penelitian yang peneliti lakukan maka peneliti memiliki beberapa saran yang perlu di sesuaikan dengan penelitian berikutnya yaitu bisa menentukan dengan baik system operasi yang digunakan yang familiar dan selaras dengan tools yang nantinya digunakan.

Actions (login required)

View Item