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