KLASIFIKASI SERANGAN MALWARE TERHADAP LALU LINTAS JARINGAN INTERNET OF THINGS MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR (K-NN)

Sandriana, Ari (2022) KLASIFIKASI SERANGAN MALWARE TERHADAP LALU LINTAS JARINGAN INTERNET OF THINGS MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR (K-NN). Sarjana thesis, Universitas Siliwangi.

[img] Text
1_COVER.pdf
Download (36kB)
[img] Text
2. LEMBAR PENGESAHAN.pdf
Download (66kB)
[img] Text
3. LEMBAR PENGUJI.pdf
Download (64kB)
[img] Text
4. LEMBAR PERNYATAAN.pdf
Download (68kB)
[img] Text
5_ABSTRACT & ABSTRAK.pdf
Download (70kB)
[img] Text
6_KATA PENGANTAR.pdf
Download (133kB)
[img] Text
7_DAFTAR ISI.pdf
Download (72kB)
[img] Text
8_DAFTAR TABEL.pdf
Download (65kB)
[img] Text
9_DAFTAR GAMBAR.pdf
Download (72kB)
[img] Text
10_DAFTAR SOURCE CODE.pdf
Download (82kB)
[img] Text
11_BAB I - PENDAHULUAN.pdf
Download (143kB)
[img] Text
12_BAB II - LANDASAN TEORI.pdf
Download (150kB)
[img] Text
13_BAB III - METODOLOGI PENELITIAN.pdf
Download (149kB)
[img] Text
14_BAB IV - HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (662kB)
[img] Text
15_BAB V - KESIMPULAN DAN SARAN.pdf
Restricted to Repository staff only
Download (69kB)
[img] Text
16_DAFTAR PUSTAKA.pdf
Download (132kB)
[img] Text
16_DAFTAR PUSTAKA.pdf
Download (132kB)

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)

Item Type: Thesis (Sarjana)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Lelis Masridah
Date Deposited: 16 Feb 2023 02:57
Last Modified: 16 Feb 2023 02:57
URI: http://repositori.unsil.ac.id/id/eprint/8638

Actions (login required)

View Item View Item