PERBANDINGAN ALGORITMA K-NEAREST NEIGHBOUR (KNN) DAN NAIVE BAYES MENGGUNAKAN PARAMETER METRIC ACCURACY, SENSITIVITY DAN SPECIFICITY PADA INTRUSION DETECTION SYSTEM (IDS)

Afifaturahman, Aditya Dwi (2021) PERBANDINGAN ALGORITMA K-NEAREST NEIGHBOUR (KNN) DAN NAIVE BAYES MENGGUNAKAN PARAMETER METRIC ACCURACY, SENSITIVITY DAN SPECIFICITY PADA INTRUSION DETECTION SYSTEM (IDS). Sarjana thesis, Universitas Siliwangi.

[img] Text
COVER.pdf

Download (194kB)
[img] Text
ABSTRAK.pdf

Download (9kB)
[img] Text
BAB 1.pdf

Download (197kB)
[img] Text
BAB 2.pdf

Download (573kB)
[img] Text
BAB 3.pdf

Download (311kB)
[img] Text
BAB 4.pdf
Restricted to Repository staff only

Download (829kB)
[img] Text
BAB 5.pdf
Restricted to Repository staff only

Download (185kB)
[img] Text
DAFTAR PUSTAKA.pdf

Download (301kB)

Abstract

Teknik machine learning banyak digunakan untuk mengembangkan Intrusion Detection System (IDS) untuk mendeteksi dan mengklasifikasikan serangan dunia maya di tingkat jaringan dan tingkat host secara tepat waktu dan cara otomatis. Namun, banyak tantangan muncul karena serangan jahat terus berubah dan terjadi dalam volume yang sangat besar yang membutuhkan solusi yang dapat diskalakan. Oleh karena itu penelitian ini melakukan perbandingan algortima K-Nearest Neighbour knn dan naive bayes. Dataset yang digunakan dalam penelitian ini adalah dataset Ddos features-IDS 2017 yang diterbitkan pada tahun 2019. Peneitian ini menganalisis perbndingan metode yang dihasilkan dari proses klasifikasi berdasarkan parameter metric accuracy, specifity dan sensitivity. Proses klasifikasi dengan menggunakan algoritma K-Nearest Neighbour (KNN) dan Naive Bayes, maka dapat disimpulkan hasil dari ketiga pengujian dengan percentage split 60%, 70% dan 80% menunjukkan bahwa algoritma K-Nearest Neighbour (KNN) mendapatkan nilai yang lebih tinggi dari Naive Bayes kecuali error rate karena error rate menunjukan bahwa data gagal diklasifikasi dengan baik. Pengujian pada percetage split 60% KNN parameter accuracy mendapatkan nilai 99,53%, specificity 94,05%, sensitivity 75,20%, pengujian pada percentage split 70% KNN parameter accuracy mendapatkan nilai 99,69%, specificity 94,59%, sensitivity 78,40% dan pengujian pada percetage split 80% parameter KNN parameter accuracy mendapatkan nilai 99,70%, specificity 94,44%, sensitivity 75,85%. Kata kunci : IDS, K-nearest Neighbour, Naive Bayes

Item Type: Thesis (Sarjana)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Lelis Masridah
Date Deposited: 16 Aug 2021 06:20
Last Modified: 16 Aug 2021 06:20
URI: http://repositori.unsil.ac.id/id/eprint/2647

Actions (login required)

View Item View Item