Putra, Riki Nur Indra (2026) OPTIMASI DAN DETEKSI INTRUSI MENGGUNAKAN HYBRID FEATURE SELECTION DAN DECISION TREE RULE-BASED PADA DATA NSLKDD. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER)
COVER.pdf - Published Version Download (555kB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (201kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (699kB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (442kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (829kB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (94kB) |
|
Text (DAFTAR PUSTAKA - LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (112kB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (361kB) |
Abstract
Keamanan jaringan komputer menghadapi tantangan besar akibat meningkatnya volume lalu lintas data dan kecanggihan serangan siber. Penggunaan Intrusion Detection System (IDS) berbasis Machine Learning menjadi solusi vital, namun sering terkendala oleh dimensi data yang tinggi (seperti 41 fitur pada dataset NSL-KDD) yang membebani komputasi, serta sifat black-box dari model AI yang sulit divalidasi logikanya oleh manusia. Masalah ini menyebabkan ketidakefisienan sistem dan keraguan administrator terhadap keputusan blokir yang diambil oleh IDS. Penelitian ini bertujuan untuk mengoptimalkan kinerja IDS sekaligus memberikan transparansi keputusan. Metode yang digunakan adalah Hybrid Feature Selection yang menggabungkan kecepatan Random Forest (Filter) dan ketelitian Recursive Feature Elimination with Cross-Validation (Wrapper) untuk menyeleksi fitur terbaik. Selanjutnya, algoritma Decision Tree digunakan untuk mengekstraksi aturan logika (Rule Extraction) dari setiap serangan. Hasil penelitian menunjukkan bahwa sistem mampu mereduksi 41 fitur menjadi 23 fitur optimal dengan mempertahankan akurasi validasi sebesar 99,73%. Sistem juga berhasil menghasilkan "kamus aturan" yang transparan untuk 40 jenis serangan berbeda, sehingga dapat dimanfaatkan oleh praktisi keamanan jaringan untuk memvalidasi insiden keamanan secara cepat dan akurat.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Intrusion Detection System, Hybrid Feature Selection, RFECV, Decision Tree, Explainable AI. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum | ||
| Divisions: | Fakultas Ilmu Komputer > Teknik Komputer | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 03 Jul 2026 02:12 | ||
| Last Modified: | 03 Jul 2026 02:12 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/31900 |
Actions (login required)
 |
View Item |