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.

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

Actions (login required)

View Item