KLASIFIKASI LALU LINTAS JARINGAN TERENKRIPSI MENGGUNAKAN CONDITIONAL GAN DAN CNN DENGAN AUGMENTASI DATA SINTETIK

RE FAIZA, DEPTA PERTAMA (2026) KLASIFIKASI LALU LINTAS JARINGAN TERENKRIPSI MENGGUNAKAN CONDITIONAL GAN DAN CNN DENGAN AUGMENTASI DATA SINTETIK. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 123220050_Cover - Re Faiza Depta Pertama.pdf Download (102kB)
	Text 123220050_Abstrak - Re Faiza Depta Pertama.pdf Download (151kB)
	Text 123220050_Halaman Pengesahan - Re Faiza Depta Pertama.pdf Download (308kB)
	Text 123220050_Daftar Isi - Re Faiza Depta Pertama.pdf Download (196kB)
	Text 123220050_Daftar Pustaka - Re Faiza Depta Pertama.pdf Restricted to Repository staff only Download (146kB)

Abstract

Penggunaan enkripsi secara luas pada komunikasi internet menyebabkan isi paket jaringan tidak dapat dianalisis secara langsung, sehingga klasifikasi lalu lintas jaringan menjadi semakin kompleks. Permasalahan ini semakin menantang pada aliran trafik berdurasi pendek (short flow) karena proses normalisasi memerlukan zero-padding yang berpotensi menurunkan kualitas representasi data. Permasalahan penelitian ini adalah belum diketahuinya pengaruh penggunaan data sintetik yang dihasilkan oleh Conditional Generative Adversarial Network (cGAN) sebagai augmentasi terhadap kinerja Convolutional Neural Network (CNN) dalam mengklasifikasikan lalu lintas jaringan terenkripsi pada kondisi short flow.
Penelitian menggunakan dataset publik USTC-TFC2016 yang terdiri atas 20 kelas, yaitu 10 kelas benign dan 10 kelas malware. Data diperoleh dari sumber publik, kemudian diekstraksi menjadi session, dinormalisasi berdasarkan panjang session, dan dikonversi menjadi citra grayscale berukuran 28×28 piksel. Model cGAN dilatih secara kondisional berdasarkan label kelas dan menghasilkan 150.000 citra sintetik. Data tersebut digunakan dalam lima skenario augmentasi, yaitu 0, 1.000, 1.500, 3.000, dan 7.500 citra per kelas. Setiap skenario digunakan untuk melatih dan menguji model CNN. Kinerja model dievaluasi menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Metode SHAP diterapkan untuk menginterpretasikan kontribusi piksel terhadap keputusan model. Pengembangan sistem dilakukan menggunakan metode prototyping serta dilengkapi antarmuka web sebagai sarana demonstrasi inference.
Hasil pengujian menunjukkan bahwa cGAN mampu menghasilkan citra sintetik secara terkontrol berdasarkan kelas, tetapi augmentasi belum mampu melampaui kinerja model baseline. Pada klasifikasi benign, baseline mencapai accuracy 94,790% dan macro F1-score 95,367%, sedangkan model augmented terbaik dengan 3.000 citra per kelas mencapai accuracy 94,768% dan macro F1-score 95,348%. Pada klasifikasi malware, baseline mencapai accuracy 97,892% dan macro F1-score 97,890%, sedangkan model augmented terbaik dengan 1.000 citra per kelas mencapai accuracy 97,740% dan macro F1-score 97,747%. Hasil tersebut menunjukkan bahwa pengaruh augmentasi tidak bersifat linear dan tidak selalu meningkatkan kinerja klasifikasi. Efektivitasnya bergantung pada kualitas, keragaman, dan kesesuaian distribusi data sintetik terhadap data asli. Penelitian ini memberikan evaluasi empiris penggunaan cGAN untuk augmentasi trafik terenkripsi, dilengkapi analisis SHAP dan antarmuka web untuk demonstrasi klasifikasi.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	lalu lintas terenkripsi, Conditional GAN, CNN, augmentasi data sintetik, SHAP.
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	12 Nov 2026 06:47
Last Modified:	12 Nov 2026 06:47
URI:	http://eprints.upnyk.ac.id/id/eprint/50401

Actions (login required)

View Item