IMPLEMENTASI ALGORITMA NAÏVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK SISTEM DETEKSI INTRUSI (IDS)
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Sistem Deteksi Intrusi (Intrusion Detection System/IDS) merupakan mekanisme penting dalam mendeteksi aktivitas mencurigakan pada jaringan komputer, termasuk upaya penyusupan yang berpotensi mengancam keamanan data. Penelitian ini bertujuan untuk menganalisis penerapan algoritma Naïve Bayes yang dioptimasi dengan Particle Swarm Optimization (PSO) dalam mengklasifikasikan serangan jaringan menggunakan dataset KDD Cup 1999.
Tahapan penelitian meliputi pengumpulan data, pembersihan data, pemilihan atribut, transformasi, pemodelan, dan evaluasi menggunakan perangkat lunak RapidMiner Studio. Algoritma Naïve Bayes dipilih karena kesederhanaan dan efisiensinya dalam mengklasifikasikan data berukuran besar, sedangkan optimasi PSO diterapkan untuk meningkatkan akurasi hasil klasifikasi.
Evaluasi kinerja dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, dan recall. Hasil pengujian menunjukkan bahwa model menghasilkan tingkat akurasi sebesar 95,00%, recall sebesar 98,08%, dan presisi sebesar 92,73%. Temuan ini membuktikan bahwa integrasi antara Naïve Bayes dan PSO dapat meningkatkan kinerja IDS dalam mendeteksi serangan dengan tingkat kesalahan yang lebih rendah.
Implikasi praktis dari penelitian ini adalah tersedianya pendekatan komputasional yang efektif untuk mendukung strategi pencegahan serangan siber, sekaligus memberikan kontribusi terhadap pengembangan sistem keamanan jaringan yang lebih adaptif.
##plugins.themes.bootstrap3.displayStats.downloads##
Rincian Artikel
Terbitan
Bagian
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Referensi
M. Khudadad and Z. Huang, “Intrusion Detection with Tree-Based Data Mining Classification Techniques by Using KDD,” Lect. Notes Inst. Comput. Sci. Soc. Telecommun. Eng. LNICST, vol. 227 LNICST, no. 6, pp. 294–303, 2018, doi: 10.1007/978-3-319-73447-7_33.
INT Wirawan and I. Eksistyanto, “Application of Naive Bayes in Intrusion Detection System with Variable Discretization,” JUTI J. Ilm. Teknol. Inf., vol. 13, no. 2, p. 182, 2015, doi: 10.12962/j24068535.v13i2.a487.
L. Dhanabal and SP Shantharajah, “A Study on NSL-KDD Dataset for Intrusion Detection System Based on Classification Algorithms,” Int. J. Adv. Res. Comput. Commun. Eng., vol. 4, no. 6, pp. 446–452, 2015, doi: 10.17148/IJARCCE.2015.4696.
Jupriyadi, “Implementation of Feature Selection Using the FVBRM Algorithm for Attack Classification in Intrusion Detection Systems (IDs),” Semin. Nas. Teknol. Inf., vol. 17, no. January 2018, pp. 1–6, 2018.
N. Rosli et al., “Jurnal Teknologi,” vol. 1, pp. 1–6, 2015.
G. Wang et al., “No Title大学生の職業未決定の研究,” Appl. Catal. A Gen., vol. 58, no. 2, pp. 15–22, 2013, doi: 10.1179/1743280412Y.0000000001.
H. Tiaield, "Data Mining Based Cyber-Attack Detection," Univ. Glas., vol. 13, no. 2, pp. 90–104, 2017, doi: 10.1063/1.2975179.
M. Surahman et al., “APPLICATION OF SVM-BASED MACHINE LEARNING METHOD FOR,” pp. 196–206, 2020.
I. Rahmadani, HS Tambunan, and IS Damanik, “Application of Data Mining in Cities Based on Provinces Responsive to Narcotics Threats Using K-Medoids,” vol. 2, pp. 93–99, 2020.
G. Widi N. Dicky Nofriansyah, Data Mining Algorithms and Testing. Yogyakarta: CV Budi Utama, 2015. Suyanto, Data
a Mining. Yogyakarta: Informatika, 2017.
O. Villacampa, “(Weka - Thesis) Feature Selection and Classification Methods for Decision Making: A Comparative Analysis,” ProQuest Diss. Theses, no. 63, p. 188, 2015.
Retno Tri Vulandari, Data Mining. Yogyakarta: Gava Media, 2017.
Y. Silalahi, Kristiani Silalahi., Murfi, Hendri., Satria, “Comparative Study of Feature Selection for Support Vector Machine in Credit Risk Assessment Classification,” vol. 1, no. 2, pp. 119–136, 2017.