INTRUSION DETECTION SYSTEM (IDS) BERBASIS DEEP LEARNING DENGAN METODE RECURRENT NEURAL NETWORK (RNN)

Alsyaibani, Omar Muhammad Altoumi (2021) INTRUSION DETECTION SYSTEM (IDS) BERBASIS DEEP LEARNING DENGAN METODE RECURRENT NEURAL NETWORK (RNN). S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 20.77.1250 Omar Muhammad Altoumi Alsyaibani.pdf Download (3MB)

Abstract

Dalam penelitian ini, LSTM dan GRU layer digunakan dalam pengembangan model Intrusion Detection System. Bidirectional layer juga diimplementasikan dalam beberapa percobaan untuk menguji peningkatan akurasi dalam kinerja model. Dataset yang digunakan dalam penelitian ini adalah CIC IDS 2017. Dataset dibagi menjadi 3 bagian, untuk keperluan training, validasi dan pengujian. Model dilatih dengan pendekatan binary classification. Adam dan SGD diimplementasikan sebagai optimasi model secara bergantian. Fungsi aktivasi pada model digunakan Softmax, Tanh, Relu, Lrelu dan Prelu secara bergantian, sedangkan nilai 0.001 dan 0.0001 digunakan sebagai nilai learning rate. Performa tertinggi dihasilkan oleh model kombinasi LSTM-GRU dengan menggunakan fungsi optimasi Adam. Sementara itu, durasi pelatihan dan validasi terpendek dihasilkan oleh model kombinasi LSTM-LSTM yang juga menggunakan fungsi optimasi Adam. Perbedaan akurasi serta durasi training dan validasi antara kombinasi model LSTM-GRU dan LSTM-LSTM sangat kecil. Oleh karena itu, direkomendasikan kedua model ini untuk digunakan oleh peneliti selanjutnya. Selanjutnya, penggunaan Bidirectional layer pada neural network menghasilkan kinerja model yang juga tinggi, namun durasi pelatihan jaringan saraf menjadi lebih lama.

Actions (login required)

View Item