PENGEMBANGAN MODEL MACHINE LEARNING UNTUK DETEKSI ANOMALI DAN SERANGAN PADA JARINGAN KOMPUTER

Saputra, Erman (2025) PENGEMBANGAN MODEL MACHINE LEARNING UNTUK DETEKSI ANOMALI DAN SERANGAN PADA JARINGAN KOMPUTER. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (945kB)
	Text (BAB I) BAB I.pdf Download (211kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (691kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (848kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (4MB)
	Text (BAB V) BAB V.pdf Download (76kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (369kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.3859.zip Restricted to Repository staff only Download (17MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (591kB)

Abstract

Keamanan jaringan komputer semakin penting seiring dengan meningkatnya jumlah perangkat dan kompleksitas infrastruktur jaringan. Serangan seperti Denial of Service (DoS), Remote to Local (R2L), User to Root (U2R), dan Probe menjadi ancaman serius yang perlu dideteksi sedini mungkin. Metode deteksi tradisional berbasis signature memiliki keterbatasan dalam menghadapi serangan baru yang belum terdokumentasi. Oleh karena itu, pendekatan berbasis heuristic-based digunakan untuk mendeteksi anomali secara proaktif. Penelitian ini menggunakan lima algoritma Machine Learning, yaitu Logistic Regression, Random Forest, Support Vector Machine (SVM), Naïve Bayes, dan K-Nearest Neighbors (KNN) untuk mengidentifikasi serangan siber. Dua dataset yang digunakan adalah NSL-KDD dan UNSW-NB15 yang mencerminkan berbagai jenis serangan dan lalu lintas jaringan. Proses penelitian mencakup pra-pemrosesan data, pembagian data, penyeimbangan data menggunakan SMOTETomek, pelatihan model, dan optimasi dengan GridSearchCV. Pada NSL‑KDD biner, Akurasi Random Forest mencapai 100%, SVM 99%, KNN 100% dengan recall 99%, Logistic Regression 95%, dan Naive Bayes 89%. Pada UNSW‑NB15 biner, Random Forest 99%, KNN 97%, SVM 96%, Logistic Regression 95%, dan Naive Bayes 90%. Untuk multi‑kelas NSL‑KDD, Akurasi Random Forest 100%, SVM 99%, KNN 99%, Logistic Regression 94%, dan Naive Bayes 74%. Pada multi‑kelas UNSW‑NB15, Random Forest 85%, KNN 81%, SVM 77%, Logistic Regression 73%, dan Naive Bayes 60%. Hasil ini menunjukkan Random Forest sebagai model paling andal untuk pengembangan sistem deteksi dini serangan jaringan.

Actions (login required)

View Item