Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Implementasi Algoritma Backpropagation Neural Network Dan Adaboost Pada Network Intrusion Detection System
Nowo Adisuryo NIM. (2018) | Skripsi | Teknik Informatika , Teknik Informatika
Bagikan
Ringkasan
Network Intrusion Detection System (NIDS) adalah sebuah perangkat lunak atau perangkat keras yang dapat menganalisis lalu lintas yang mengalir ke suatu jaringan. NIDS akan memberi peringatan pada Network Administrator jika terdapat percobaan serangan atau penyusupan ke dalam sistem jaringan. Dalam NIDS, algoritma machine learning telah banyak diterapkan, contohnya, Decision Tree, SVM, Naive Bayes, Artificial Neural Network, dan lain-lain. Terdapat tantangan dalam penggunaan machine learning untuk NIDS yaitu sistem harus memiliki tingkat akurasi yang tinggi, tingkat error yang rendah, waktu komputasi yang cepat, dan penggunaan memori yang sedikit dalam mendeteksi serangan pada jaringan [4]. Pada penelitian ini akan digunakan algoritma backpropagation neural network (BPNN) dan adaptive boost (AdaBoost) pada NIDS untuk mengklasifikasikan paket data jaringan menjadi paket data normal atau serangan. Berdasarkan hasil pengujian dengan menggunakan dataset Kyoto 2006+ yang terdiri dari 2000 data, metode BPNN memperoleh akurasi yang lebih rendah jika dibandingkan dengan metode BPNN yang dilengkapi dengan AdaBoost. Metode BPNN memperoleh akurasi sebesar 99,75% sementara metode BPNN yang dilengkapi dengan AdaBoost memperoleh akurasi sebesar 99,8%.
Ringkasan Alternatif
Network Intrusion Detection System (NIDS) is a software or hardware that can analyze traffic flowing to a network. NIDS will alert the Network Administrator if there is an attempted attack or intrusion into the network system. In NIDS, machine learning algorithms have been widely applied, for example, Decision Tree, SVM, Naive Bayes, Artificial Neural Network, and others. There are challenges in the use of machine learning for NIDS: the system must have a high degree of accuracy, low error rate, fast computing time, and less memory usage in detecting attacks on the network [4]. In this research we will use backpropagation neural network (BPNN) and adaptive boost (AdaBoost) algorithm on NIDS to classify network data packets into normal data packets or attacks. Based on the test results using the Kyoto 2006 + dataset consisting of 2000 data, the BPNN method obtains a lower accuracy when compared to the BPNN method with AdaBoost. The BPNN method obtains an accuracy of 99.75% while the BPNN with AdaBoost method receives 99.8% accuracy.