IMPLEMENTASI HYPER-PARAMETER TUNING PADA RANDOM FOREST DALAM SISTEM DETEKSI ANOMALI TRAFFIC JARINGAN SECARA REAL-TIME

Aminanda, Rico (2024) IMPLEMENTASI HYPER-PARAMETER TUNING PADA RANDOM FOREST DALAM SISTEM DETEKSI ANOMALI TRAFFIC JARINGAN SECARA REAL-TIME. Diploma thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (391kB)
	Text COVER.pdf Download (93kB)
	Text DAFTAR ISI.pdf Download (429kB)
	Text DAFTAR PUSTAKA.pdf Download (1MB)
	Text DAFTAR ISI.pdf Download (429kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (53kB)
	Text SKRIPSI FULL_RICO AMINANDA_123190079.pdf Restricted to Repository staff only Download (1MB)

Abstract

Peningkatan penggunaan jaringan internet telah menyebabkan lonjakan jumlah data yang
dikirimkan, meningkatkan kerentanan terhadap serangan siber seperti DoS, DDoS, DNS
Poisoning, Spoofing, SQL Injection, dan Sniffer. Untuk mengatasi ini, diperlukan sistem
deteksi anomali traffic jaringan yang efektif secara real-time. Penelitian ini bertujuan
mengimplementasikan dan mengevaluasi tuning hyper-parameter pada algoritma Random
Forest guna meningkatkan akurasi deteksi anomali menggunakan NSL-KDD Dataset.
Metode yang digunakan meliputi pengumpulan data, preprocessing, pembagian data,
klasifikasi dengan Random Forest dengan dan tanpa parameter tuning, serta evaluasi model.
Dalam tahap preprocessing, teknik seperti Min-Max Normalization, Polynomial Features,
dan One Hot Encoder digunakan untuk mempersiapkan data.
Hasil penelitian menunjukkan bahwa penerapan hyper-parameter tuning pada Random Forest
secara signifikan meningkatkan akurasi deteksi anomali dibandingkan dengan model yang
tidak menggunakan parameter tuning. Evaluasi dilakukan menggunakan metrik-metrik
seperti Confusion Matrix, akurasi, presisi, recall, dan F1-score. Selain itu, penelitian ini juga
mengembangkan sebuah sistem yang mampu mendeteksi anomali secara real-time, yang
ditunjukkan dengan kemampuan sistem untuk memproses dan menganalisis data traffic
jaringan dengan cepat dan akurat.
Penelitian ini memberikan kontribusi dalam meningkatkan akurasi dan efisiensi sistem
deteksi anomali traffic jaringan serta dapat menjadi referensi bagi penelitian selanjutnya
dalam bidang keamanan jaringan dan machine learning. Diharapkan hasil penelitian ini dapat
membantu pengembangan sistem keamanan jaringan yang lebih handal dan efisien.
Kata Kunci : Deteksi Anomali, Random Forest, Hyper-parameter Tuning, Traffic Jaringan,
Serangan Siber, Real-time, NSL-KDD Dataset, Keamanan Jaringan, Machine Learning,
Evaluasi Model

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	21 Aug 2024 04:32
Last Modified:	21 Aug 2024 04:32
URI:	http://eprints.upnyk.ac.id/id/eprint/40787

Actions (login required)

View Item