IMPLEMENTASI IMBALANCE LABEL HANDLING DAN FEATURE SELECTION DALAM PENINGKATAN PERFORMA ALGORITMA MACHINE LEARNING PADA DETEKSI SERANGAN JARINGAN DOS

Saputri, Inka (2025) IMPLEMENTASI IMBALANCE LABEL HANDLING DAN FEATURE SELECTION DALAM PENINGKATAN PERFORMA ALGORITMA MACHINE LEARNING PADA DETEKSI SERANGAN JARINGAN DOS. Other thesis, Universitas Amikom Purwokerto.

[thumbnail of COVER.pdf] Text
COVER.pdf

Download (663kB)
[thumbnail of DAFTAR ISI.pdf] Text
DAFTAR ISI.pdf

Download (788kB)
[thumbnail of ABSTRAK.pdf] Text
ABSTRAK.pdf

Download (518kB)
[thumbnail of BAB I.pdf] Image
BAB I.pdf
Restricted to Registered users only

Download (543kB)
[thumbnail of BAB II.pdf] Image
BAB II.pdf
Restricted to Registered users only

Download (840kB)
[thumbnail of BAB III.pdf] Image
BAB III.pdf
Restricted to Registered users only

Download (911kB)
[thumbnail of BAB IV.pdf] Image
BAB IV.pdf
Restricted to Registered users only

Download (1MB)
[thumbnail of BAB V.pdf] Image
BAB V.pdf
Restricted to Registered users only

Download (519kB)
[thumbnail of DAFTAR PUSTAKA.pdf] Image
DAFTAR PUSTAKA.pdf
Restricted to Registered users only

Download (674kB)
[thumbnail of LAMPIRAN.pdf] Text
LAMPIRAN.pdf
Restricted to Repository staff only

Download (617kB)

Abstract

Serangan Denial of Service (DoS) merupakan ancaman utama bagi keamanan jaringan, hal ini ditandai dengan melimpahnya sumber daya sistem dengan permintaan yang tidak sah. Serangan yang demikian dapat mengganggu layanan-layanan penting dan menyebabkan kerugian finansial yang besar. Penelitian ini mengevaluasi efektivitas empat algoritma machine learning yaitu Random Forest, Linear Discriminant Analysis (LDA), Logistic Regression dan Naïve Bayes dalam mendeteksi serangan DoS dengan menggunakan dataset NSL-KDD sebagai standar. Penelitian ini bertujuan untuk menentukan algoritma yang paling dapat diandalkan untuk mendeteksi serangan DoS melalui analisis komparatif. Metodologi yang digunakan meliputi prapemrosesan data, pemilihan fitur, pengkodean label, dan penyeimbangan menggunakan SMOTE. Setiap algoritma tersebut dilakukan hyperparameter tuning dan validasi silang 10 bagian untuk mengoptimalkan kinerja. Metrik evaluasi seperti akurasi, presisi, recall, dan F1-score digunakan untuk perbandingan model. Hasilnya menunjukkan bahwa Random Forest mencapai akurasi tertinggi (99,97%) dan kinerja yang unggul di semua metrik, menunjukkan generalisasi dan presisi yang sangat baik. LDA, Logistic Regression dan Naïve Bayes juga memiliki kinerja yang baik tetapi tidak sebaik Random Forest dalam menangani pola yang kompleks dalam dataset. Penelitian ini menekankan pentingnya penggunaan teknik machine learning untuk deteksi intrusi jaringan, terutama dalam mengatasi ancaman DoS. Hasil penelitian ini memberikan wawasan yang bermanfaat untuk memilih algoritma yang sesuai untuk implementasi di masa depan dalam sistem keamanan siber.
Item Type: Thesis (Other)
Additional Information: Dosen Pembimbing: Primandani Arsi, SST., M.Kom., dan Khairunnisak Nur Isnaini, M.Kom.
Uncontrolled Keywords: Kata kunci: Denial of Service, Machine Learning, Keamanan Jaringan, Dataset NSL-KDD
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Ilmu Komputer > Teknologi Informasi
Depositing User: UPT Perpustakaan Pusat Universitas Amikom Purwokerto
Date Deposited: 22 Mar 2025 04:34
Last Modified: 22 Mar 2025 04:34
URI: https://eprints.amikompurwokerto.ac.id/id/eprint/2623

Actions (login required)

View Item
View Item