KLASIFIKASI SERANGAN MALWARE TERHADAP
LALU LINTAS JARINGAN INTERNET OF THINGS
MENGGUNAKAN
ALGORITMA K-NEAREST NEIGHBOUR (K-NN)
Total View This Week0
Total View This Week0
Institusion
Universitas Siliwangi
Author
Sandriana, Ari
Subject
T Technology (General)
Datestamp
2023-02-16 02:57:02
Abstract :
ABSTRAK Penerapan Internet of Things (IoT) dapat membuat semuanya terhubung ke internet tetapi sistem IoT dapat menjadi sasaran yang sangat mudah untuk disusupi penyerang dengan menggunakan malware, lebih dari 1,6 miliar atau tepatnya 1.637.973.022 anomali traffic atau serangan siber (cyberattack) yang terjadi diseluruh wilayah Indonesia sepanjang tahun 2021, teknik machine learning dapat dimanfaatkan untuk proses pengklasifikasian anomali traffic dengan menggunakan algoritma k-nearest neighbour (KNN) sehingga dapat membedakan data traffic yang bersifat benign atau malicious. Data anomali traffic yang digunakan adalah dataset aposemat IoT-23, didalam dataset tersebut terdapat 23 dataset, lalu terbagi kedalam 20 dataset scenario malicious dan 3 dataset scenario benign. Namun dataset yang layak digunakan adalah 20 dataset scenario malicious. 20 dataset tersebut selanjutnya dilakukan data preprocessing supaya dapat digunakan untuk proses training model atau pengklasifikasian. Nilai akurasi yang didapatkan setelah proses training model sebesar 0.94 atau 94%, model yang sudah dilakukan training model dapat memprediksi traffic data baru kedalam benign atau malicious, data baru yang sudah disiapkan adalah sebanyak 25 data baru. Prediksi 25 data baru tersebut menghasilkan 20 data diprediksi benar atau sesuai dan 5 data diprediksi salah atau tidak sesuai, 5 data tersebut terbagi menjadi 3 data yang harusnya diprediksi benign dan 2 data yang harusnya diprediksi malicious. Kata kunci: Internet of Things, Malware, Machine learning, Klasifikasi, K-Nearest Neighbour (K-NN)
ABSTRAK Penerapan Internet of Things (IoT) dapat membuat semuanya terhubung ke internet tetapi sistem IoT dapat menjadi sasaran yang sangat mudah untuk disusupi penyerang dengan menggunakan malware, lebih dari 1,6 miliar atau tepatnya 1.637.973.022 anomali traffic atau serangan siber (cyberattack) yang terjadi diseluruh wilayah Indonesia sepanjang tahun 2021, teknik machine learning dapat dimanfaatkan untuk proses pengklasifikasian anomali traffic dengan menggunakan algoritma k-nearest neighbour (KNN) sehingga dapat membedakan data traffic yang bersifat benign atau malicious. Data anomali traffic yang digunakan adalah dataset aposemat IoT-23, didalam dataset tersebut terdapat 23 dataset, lalu terbagi kedalam 20 dataset scenario malicious dan 3 dataset scenario benign. Namun dataset yang layak digunakan adalah 20 dataset scenario malicious. 20 dataset tersebut selanjutnya dilakukan data preprocessing supaya dapat digunakan untuk proses training model atau pengklasifikasian. Nilai akurasi yang didapatkan setelah proses training model sebesar 0.94 atau 94%, model yang sudah dilakukan training model dapat memprediksi traffic data baru kedalam benign atau malicious, data baru yang sudah disiapkan adalah sebanyak 25 data baru. Prediksi 25 data baru tersebut menghasilkan 20 data diprediksi benar atau sesuai dan 5 data diprediksi salah atau tidak sesuai, 5 data tersebut terbagi menjadi 3 data yang harusnya diprediksi benign dan 2 data yang harusnya diprediksi malicious. Kata kunci: Internet of Things, Malware, Machine learning, Klasifikasi, K-Nearest Neighbour (K-NN)
File :
1_COVER.pdf
2. LEMBAR PENGESAHAN.pdf
11_BAB I - PENDAHULUAN.pdf
12_BAB II - LANDASAN TEORI.pdf
13_BAB III - METODOLOGI PENELITIAN.pdf
14_BAB IV - HASIL DAN PEMBAHASAN.pdf
15_BAB V - KESIMPULAN DAN SARAN.pdf
16_DAFTAR PUSTAKA.pdf
16_DAFTAR PUSTAKA.pdf
3. LEMBAR PENGUJI.pdf
4. LEMBAR PERNYATAAN.pdf
5_ABSTRACT & ABSTRAK.pdf
6_KATA PENGANTAR.pdf
7_DAFTAR ISI.pdf
8_DAFTAR TABEL.pdf
9_DAFTAR GAMBAR.pdf
10_DAFTAR SOURCE CODE.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
