SELEKSI FITUR MENGGUNAKAN ALGORITMA FORWARD
SELECTION PADA SISTEM DETEKSI INTRUSI BERBASIS
KLASIFIKASI
Total View This Week0
Total View This Week0
Institusion
Universitas Teknokrat Indonesia
Author
FITRIANA, NINA
Subject
TEKNOLOGI INFORMASI
Datestamp
2021-12-09 07:13:27
Abstract :
Seleksi fitur merupakan salah satu fokus penelitian pada data mining untuk dataset yang memiliki atribut yang relatif banyak. Dengan menghilangkan beberapa atribut yang tidak relevan terhadap kelas label akan meningkatkan kinerja algoritma klasifikasi. Algoritma forward selection adalah pendekatan wrapper yang sering digunakan dalam seleksi fitur, forward selection mampu menghapus fitur yang tidak relevan, mengembangkan dan menambah kualitas data, serta meningkatkan performa dan akurasi model. Dataset NSL-KDD adalah kumpulan data benchmark yang efektif untuk membantu peneliti membandingkan metode-metode deteksi intrusi sebagai langkah awal membangun Intrusion detection sistem (IDS). Dataset NSL-KDD juga digunakan pada penelitian yang menjadi acuan dari penelitian. Data NSL-KDD yang digunakan dikelompokkan menjadi 5 kategori serangan dengan jumlah 125.973 record. Penelitian ini bertujuan untuk mengimplementasikan seleksi fitur menggunakan algoritma forward selection terhadap dataset deteksi intrusi NSL KDD yang memiliki jumlah atribut relatif banyak. Pengujian dataset dilakukan dengan 2 klasifikasi algoritma, yaitu algoritma naïve bayes (Kernel) dan algoritma decision tree. Setiap pengujian dengan algoritma akan diuji dengan 2 kali percobaan yaitu dengan menggunakan fiture forward selection dan tanpa menggunakan fiture selection. Eksperimen dilakukan menggunakan tools rapidminer. Pengujian menggunakan algoritma naïve bayes (Kernel) didapatkan akurasi sebesar 87,05% dan pengujian menggunakan fiture selection dengan naïve bayes sebesar 94,71% dengan 5 fitur tersisa yaitu service, flag, wrong_fargment, hot dan num_shells. Klasifikasi menggunakan algoritma decision tree mendapatkan akurasi sebesar 94,04% dan fiture selection dengan klasifikasi decision tree mendapat akurasi sebesar 98,27% mendapatkan 3 fitur yang tersisa yaitu src_byte, dst_host_diff_srv_rate dan dst_host_srv_count. Hasil eksperimen menunjukkan bahwa dengan implementasi seleksi fitur menggunakan algoritma forward selection dapat meningkatkan akurasi dan dengan menggunakan algoritma decision tree mendapatkan akurasi lebih baik.
Seleksi fitur merupakan salah satu fokus penelitian pada data mining untuk dataset yang memiliki atribut yang relatif banyak. Dengan menghilangkan beberapa atribut yang tidak relevan terhadap kelas label akan meningkatkan kinerja algoritma klasifikasi. Algoritma forward selection adalah pendekatan wrapper yang sering digunakan dalam seleksi fitur, forward selection mampu menghapus fitur yang tidak relevan, mengembangkan dan menambah kualitas data, serta meningkatkan performa dan akurasi model. Dataset NSL-KDD adalah kumpulan data benchmark yang efektif untuk membantu peneliti membandingkan metode-metode deteksi intrusi sebagai langkah awal membangun Intrusion detection sistem (IDS). Dataset NSL-KDD juga digunakan pada penelitian yang menjadi acuan dari penelitian. Data NSL-KDD yang digunakan dikelompokkan menjadi 5 kategori serangan dengan jumlah 125.973 record. Penelitian ini bertujuan untuk mengimplementasikan seleksi fitur menggunakan algoritma forward selection terhadap dataset deteksi intrusi NSL KDD yang memiliki jumlah atribut relatif banyak. Pengujian dataset dilakukan dengan 2 klasifikasi algoritma, yaitu algoritma naïve bayes (Kernel) dan algoritma decision tree. Setiap pengujian dengan algoritma akan diuji dengan 2 kali percobaan yaitu dengan menggunakan fiture forward selection dan tanpa menggunakan fiture selection. Eksperimen dilakukan menggunakan tools rapidminer. Pengujian menggunakan algoritma naïve bayes (Kernel) didapatkan akurasi sebesar 87,05% dan pengujian menggunakan fiture selection dengan naïve bayes sebesar 94,71% dengan 5 fitur tersisa yaitu service, flag, wrong_fargment, hot dan num_shells. Klasifikasi menggunakan algoritma decision tree mendapatkan akurasi sebesar 94,04% dan fiture selection dengan klasifikasi decision tree mendapat akurasi sebesar 98,27% mendapatkan 3 fitur yang tersisa yaitu src_byte, dst_host_diff_srv_rate dan dst_host_srv_count. Hasil eksperimen menunjukkan bahwa dengan implementasi seleksi fitur menggunakan algoritma forward selection dapat meningkatkan akurasi dan dengan menggunakan algoritma decision tree mendapatkan akurasi lebih baik.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
