IMPLEMENTASI METODE K-NEAREST NEIGHBOR DALAM MENGKLASIFIKASIKAN JENIS SERANGAN INTRUSION DETECTION SYSTEM

Pramana, Hanifa and Ariyanto, Yuri and Firdaus, Vipkas Al Hadid (2020) IMPLEMENTASI METODE K-NEAREST NEIGHBOR DALAM MENGKLASIFIKASIKAN JENIS SERANGAN INTRUSION DETECTION SYSTEM. Diploma thesis, Teknologi Informasi.

	Text Cover.pdf Restricted to Registered users only Download (429kB) | Request a copy
	Text Bab I.pdf Restricted to Registered users only Download (231kB) | Request a copy
	Text Bab II.pdf Restricted to Registered users only Download (290kB) | Request a copy
	Text Bab III.pdf Restricted to Registered users only Download (235kB) | Request a copy
	Text Bab IV.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text Bab V.pdf Restricted to Registered users only Download (463kB) | Request a copy
	Text Bab VI.pdf Restricted to Registered users only Download (176kB) | Request a copy
	Text Bab VII.pdf Restricted to Registered users only Download (6kB) | Request a copy
	Text Daftar Pustaka.pdf Restricted to Registered users only Download (118kB) | Request a copy

Abstract

IDS (Intrusion Detection System ) adalah sebuah aplikasi perangkat keras atau perangkat lunak yang otomatis bekerja untuk memonitor kejadian pada sebuah jaringan komputer dan sekaligus menganalisais masalah keamanan jaringan. Permasalahan muncul ketika aktifitas mencurigakan tidak pada aturan kemanan yang terdaftar, Hal ini menyebabkan menurunnya fungsi IDS dalam mengklasifikasikan aktifitas jaringan. Pada penelitian ini untuk melindungi jaringan dari ancaman yaitu dengan cara membangun sistem deteksi Intrusion Detection System (IDS) menggunakan metode K-Nearest Neighbor untuk mengklasifikasikan jenis serangan normal, DOS, Probing. Tujuan penelitian ini adalah untuk memonitor traffic atau lalu-lintas data pada sebuah jaringan dan menentukan apakah trafic aman, mencurigakan atau terindikasi serangan. Penelitian ini mengguakan dataset KDDCUP 1999. Berdasarkan hasil penelitian ini berupa uji coba sistem menunjuk kan bahwa parameter nilai K sangat berpengaruh terhadap hasil klasifikasi dan akurasi yang dihasilkan. Rata-rata akurasi cenderung menurun seiring dengan penambahan nilai K sedangkan peningkatan jumlah data training turut disertai dengan peningkatan hasil akurasi. Hasil akurasi tertinggi pada pengujian ini sebesar 90% pada saat jumlah data training 3000 data testing 150 dengan menggunakan nilai K= 5.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	K-Nearest Neighbor, Klasifikasi, Intrusion Detection Sytem, KDDCUP
Subjects:	A Computer Science > Networking
Divisions:	Jurusan Teknologi Informasi > Teknik Informatika
Depositing User:	Hanifa Pramana
Date Deposited:	26 Jan 2021 14:24
Last Modified:	26 Jan 2021 14:24
URI:	http://repota.jti.polinema.ac.id/id/eprint/477

Actions (login required)

View Item