Klasifikasi Anomali Intrusion Detection System (IDS) Menggunakan Algoritma Naïve Bayes Classifier dan Correlation-Based Feature Selection

Penulis

  • Saipul Anwar Universitas Tanri Abeng
  • Fajar Septian Universitas Pamulang
  • Ristasari Dwi Septiana STMIK ERESHA

Kata Kunci:

correlation-based fetaure selection, intrusion detection system, klasifikasi, naïve bayes

Abstrak

Intrusion Detection System (IDS) berguna untuk mendeteksi adanya serangan atau gangguan pada suatu jaringan atau sistem informasi. Deteksi anomali merupakan salah satu jenis IDS yang mendeteksi serangan menyimpang pada jaringan berdasarkan probabilitas statistik. Meningkatnya penggunaan internet maka meningkat juga gangguan atau serangan dari intruder atau cracker yang mengeksploitasi protokol internet dan software aplikasi yang lemah. Pada saat banyaknya paket data yang datang, muncul masalah yang perlu dilakukan analisa. Teknik yang tepat untuk menganalisa paket data tersebut adalah data mining. Penelitian ini bertujuan untuk mengklasifikasikan anomali IDS menggunakan algoritma klasifikasi Naïve Bayes dari hasil pemilihan atribut dengan teknik korelasi (correlation-based feature selection). Penelitian ini menggunakan koleksi data intrusion detection system UNSW-NB15 yang terdiri dari 49 atribut dan 321.283 record data. Pengukuran performa didasarkan pada akurasi, presisi, F-Measure dan ROC Area. Hasil seleksi atribut dengan correlation-based feature selection meninggalkan 4 atribut. Hasil evaluasi klasifikasi anomali IDS menggunakan algoritma naïve bayes tanpa didahului atribut yang diseleksi dengan teknik korelasi diperoleh tingkat akurasi 71,2 %. Sedangkan hasil klasifikasi jika didahului dengan atribut yang diseleksi dengan teknik korelasi didapatkan akurasi 74,8 %. Klasifikasi dengan algoritma naïve bayes dapat ditingkatkan akurasinya yang didahului pemilihan atribut dengan teknik korelasi.

Referensi

Galih. (2019). Data Mining di Bidang Pendidikan untuk Analisa Prediksi Kinerja Mahasiswa dengan Komparasi 2 Model Klasifikasi pada STMIK Jabar. Jurnal Teknologi Sistem Informasi dan Aplikasi, 2(1), 23-30.

Gostev, A., & Namestnikov, Y. (2011, Februari 17). Kaspersky Security Bulletin 2010. Statistics, 2010. Retrieved Agustus 10, 2019, from Kaspersky Securelist: https://securelist.com/kaspersky-security-bulletin-2010-statistics-2010/36345/

Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques Third Edition. USA: Elsevier.

Khaerani, I., & Handoko, B. (2015). Implementasi Dan Analisa Hasil Data Mining Untuk Klasifikasi Serangan Pada Intrusion Detection System (IDS) Dengan Algoritma C4.5. Techno.COM, 14(3), 181-188.

Lazarevic, A., Srivastava, J., & Kumar, V. (2018, August 3). Data Mining For Intrusion Detection Tutorial on the Pacific-Asia Conference on Knowledge Discovery in Databases 2003. Retrieved August 10, 2019, from iDoc Slide: https://idocslide.org/document/data-mining-for-intrusion-detection-tutorial-on-the-pacific-asia-conference-on-knowledge-discovery-in-databases-2003

Moustafa, N., & Slay, J. (2015). UNSW-NB15: A Comprehensive Data set for Network Intrusion Detection systems (UNSW-NB15 Network Data Set). Military Communications and Information Systems Conference (MilCIS). IEEE.

Prasetyo, E. (2012). Klasifikasi Naive bayes. Jawa Timur: Teknik Informatika, Universitas Pembangunan Nasional “Veteranâ€.

Santosa, B. (2007). Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

Wirawan, I. T., & Eksistyanto, I. (2015). Penerapan Naive Bayes Pada Intrusion Detection System Dengan Diskritisasi Variabel. JUTI: Jurnal Ilmiah Teknologi Informasi, 13(2), 182-189.

Wu, T. (2009). Information Assurance Tools Report – Intrusion Detection Systems Sixth Edition. Defense Technical Information Center, Information Assurance Technology Analysis Center (IATAC). Herndon, United States: IATAC.

Unduhan

Diterbitkan

2019-10-30

Cara Mengutip

Anwar, S., Septian, F., & Septiana, R. D. (2019). Klasifikasi Anomali Intrusion Detection System (IDS) Menggunakan Algoritma Naïve Bayes Classifier dan Correlation-Based Feature Selection. Jurnal Teknologi Sistem Informasi Dan Aplikasi, 2(4), 135–140. Diambil dari https://openjournal.unpam.ac.id/index.php/JTSI/article/view/3453

Terbitan

Vol 2 No 4 (2019): Jurnal Teknologi Sistem Informasi dan Aplikasi

Bagian

Article

Lisensi

Hak Cipta (c) 2019 Saipul Anwar, Fajar Septian, Ristasari Dwi Septiana

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.

Authors who publish with this journal agree to the following terms:

  1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
  2. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
  3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

Jurnal Teknologi Sistem Informasi dan Aplikasi have CC BY-NC or an equivalent license as the optimal license for the publication, distribution, use, and reuse of scholarly work.

In developing strategy and setting priorities, Jurnal Teknologi Sistem Informasi dan Aplikasi recognize that free access is better than priced access, libre access is better than free access, and libre under CC BY-NC or the equivalent is better than libre under more restrictive open licenses. We should achieve what we can when we can. We should not delay achieving free in order to achieve libre, and we should not stop with free when we can achieve libre.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) License

YOU ARE FREE TO:

  • Adapt - remix, transform, and build upon the material for any purpose, even commercially.
  • The licensor cannot revoke these freedoms as long as you follow the license terms