ANALISIS PENGARUH PENGGABUNGAN TEKNIK REGULARISASI TERHADAP KINERJA DEEP NEURAL NETWORK DALAM DETEKSI INTRUSI

SHOFIA ATIKA NADHIRA, . (2026) ANALISIS PENGARUH PENGGABUNGAN TEKNIK REGULARISASI TERHADAP KINERJA DEEP NEURAL NETWORK DALAM DETEKSI INTRUSI. Skripsi thesis, UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN YOGYAKARTA.

	Text 1_Cover_123210016.pdf Download (192kB)
	Text 2_Abstrak_123210016.pdf Download (214kB)
	Text 3_Halaman Pengesahan_123210016.pdf Download (292kB)
	Text 4_Daftar Isi_123210016.pdf Download (312kB)
	Text 5_Daftar Pustaka_123210016.pdf Download (182kB)
	Text 6_Fulltext_123210016.pdf Restricted to Repository staff only Download (1MB)

Abstract

Keamanan jaringan menjadi isu yang semakin penting seiring meningkatnya volume trafik data. Dalam upaya mendeteksi dan mengklasifikasikan serangan jaringan, algoritma Deep Neural Network (DNN) banyak digunakan karena kemampuannya mempelajari pola serangan secara mendalam. Berbagai penelitian sebelumnya telah menggunakan teknik regularisasi secara tunggal dan belum cukup untuk mengendalikan kompleksitas model secara menyeluruh, sehingga diperlukan penggabungan beberapa teknik regularisasi. Setiap teknik memiliki sifat yang saling melengkapi: Dropout mengurangi ketergantungan neuron, L1 mendorong pembentukan bobot yang bersifat sparse, dan L2 menjaga besaran bobot tetap terkendali. Oleh karena itu, penggabungan beberapa teknik regularisasi menjadi relevan pada dataset seperti NSL-KDD yang memiliki keragaman dan redundansi fitur, yang berpotensi memperbesar kompleksitas model jika tidak dikendalikan.
Penelitian ini menerapkan kombinasi teknik regularisasi Dropout, L1, dan L2 pada arsitektur DNN untuk klasifikasi multikelas serangan jaringan menggunakan dataset NSL-KDD. Tahapan penelitian meliputi pengumpulan data, preprocessing data, ekstraksi fitur menggunakan Principal Component Analysis (PCA), serta pengujian model dengan berbagai konfigurasi kombinasi regularisasi. Untuk memperoleh konfigurasi model yang optimal, penelitian ini menerapkan metode optimasi hyperparameter berbasis Random Search dengan total 40 kombinasi pengujian. Evaluasi performa dilakukan menggunakan confusion matrix, untuk menilai kemampuan klasifikasi setiap konfigurasi.
Dari seluruh konfigurasi yang diuji, performa terbaik diperoleh pada kombinasi Dropout sebesar 0,2 dan L2 sebesar 0,00001 dengan nilai akurasi 0,9987, presisi 0,935, recall 0,7952, dan F1-score 0,8335. Hasil ini menunjukkan bahwa kombinasi Dropout dan L2 memberikan keseimbangan performa yang lebih baik dibandingkan konfigurasi lainnya. Sementara itu, penerapan L1 maupun L2 secara tunggal, serta kombinasi Elastic Net, tidak selalu menghasilkan peningkatan kinerja dibandingkan konfigurasi terbaik. Hal ini menunjukkan bahwa pengaruh regularisasi terhadap kemampuan klasifikasi multikelas pada DNN bersifat bergantung pada konfigurasi regularisasi yang diterapkan.

Kata Kunci: Intrusion Detection System (IDS), Deep Neural Network (DNN), Teknik Regularisasi, NSL-KDD

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Shofia Atika Nadhira (Penulis - 123210016) ; Rifki Indra Perwira (Pembimbing)
Uncontrolled Keywords:	Intrusion Detection System (IDS), Deep Neural Network (DNN), Teknik Regularisasi, NSL-KDD
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	10 Mar 2026 04:41
Last Modified:	10 Mar 2026 04:41
URI:	http://eprints.upnyk.ac.id/id/eprint/47282

Actions (login required)

View Item