ANALISA ANCAMAN SERANGAN MALWARE PADA TRAFIK DARKNET MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR

Ramdan, Aay (2021) ANALISA ANCAMAN SERANGAN MALWARE PADA TRAFIK DARKNET MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR. Sarjana thesis, Universitas Siliwangi.

	Text LEMBAR JUDUL.pdf Download (37kB)
	Text ABSTRAK.pdf Download (11kB)
	Text LEMBAR PENGESAHAN.pdf Download (119kB)
	Text DAFTAR ISI.pdf Download (195kB)
	Text BAB I.pdf Download (130kB)
	Text BAB II.pdf Download (422kB)
	Text BAB III.pdf Download (118kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Restricted to Repository staff only Download (7kB)
	Text DAFTAR PUSTAKA.pdf Download (129kB)

Abstract

ABSTRAK Malware menjadi sebuah ancaman dalam jaringan yang harus dideteksi sejak dini. Analisa malware dapat dilakukan dengan menerapkan proses klasifikasi berdasarkan trafik darknet. Trafik darknet merupakan jaringan internet terenkripsi yang dapat menyembunyikan file malicious dari penjahat cyber. Penelitian terhadap analisis malware terutama klasifikasi trafik darknet dengan menggunakan algoritma machine learning telah banyak dilakukan, namun terbatas pada pengukuran kinerja algoritma pada machine learning untuk analisis malware. Pembaruan dataset dan penggunaan algoritma berbeda sangat diperlukan agar analisa malware dapat mengidentifikasi perkembangan malware secara cepat dan akurat, oleh karena hal tersebut dalam penelitian ini akan dibahas tentang proses analisis ancaman malware pada trafik darknet dengan menggunakan salah satu algoritma machine learning yaitu K-Nearest Neighbour. Algoritma KNN memiliki nilai akurasi yang tinggi dibandingkan dengan beberapa algoritma lain. Hasil penelitian menunjukkan bahwa klasifikasi trafik darknet pada dataset CICDarknet 2020 menggunakan KNN lebih baik dari CNN dan LSTM. Nilai akurasi pada dataset CICDarknet 2020 yang memiliki fitur lengkap adalah 97%. Penelitian ini juga menerapkan teknik seleksi fitur dengan menggunakan information gain yang mampu mempercepat proses analisa trafik darknet yang dibuktikan dengan waktu eksekusi yang lebih cepat yaitu 6 menit 42 detik dengan akurasi 96,17%, berdasarkan hasil tersebut algoritma KNN dapat diterapkan pada klasifikasi darknet agar dapat mendeteksi adanya ancaman serangan malware pada hasil klasifikasi darknet dengan akurasi dan kecepatan lebih baik. Kata kunci: Darknet, Information Gain, KNN, Machine Learning.

Actions (login required)

View Item