Sistem deteksi instrusi jaringan dengan metode restricted growing self-organizing MAP

Christyawan, Tomi Yahya and Wayan Firdaus Mahmudy, S.Si., M.T., Ph.D. and Dr.Eng. Ahmad Afif Supianto, S.Si, M.Kom. (2019) Sistem deteksi instrusi jaringan dengan metode restricted growing self-organizing MAP. Magister thesis, Universitas Brawijaya.

Abstract

Perkembangan teknologi internet dan jaringan yang pesat juga diikuti ancaman berbahaya dari serangan terhadap jaringan dan komputer. Sistem Deteksi Intrusi atau Intrusion Detection System (IDS) dibuat untuk menangani permasalahan tersebut. Pengembangan IDS saat ini banyak menggunakan machine learning untuk melakukan klasifikasi terhadap serangan berbahaya. Salah satu metode untuk melakukan klasifikasi dan visualisasi adalah dengan Self- Organising Map (SOM). SOM mampu melakukan klasifikasi dan visualisasi pada proses pembelajaran, sehingga dapat digunakan untuk memperoleh pengetahuan baru. Permasalahan yang dimiliki oleh SOM yaitu waktu komputasi yang kurang efisien apabila diterapkan pada data yang berukuran besar (big data), permasalahan ini telah di coba diselesaikan dengaan metode Growing Self- Organizing Map (GSOM) namum masih belum optimal. Pada penelitian ini diajukan metode Restricted Growing SOM (RGSOM) yang dikombinasikan dengan metode Principle Component Analysis (PCA) sebagai reduksi fitur yang bertujuan untuk meningkatkan efisiensi waktu komputasi. Proses utama dalam RGSOM adalah proses berkembangnya map dan proses pembaharuan bobot pada map. Berkembangnya map pada RGSOM dibatasi oleh jumlah node maksimum dan ambang batas berkembang (Growing Threshold). Pada penelitian sebelumnya metode Support Vector Machine (SVM) dan hibridisasinya menghasilkan akurasi yang tinggi, sehingga dalam penelitian ini SVM akan digunakan sebagai metode pembanding sebagai referensi akurasi dari metode yang diusulkan. Metode yang diusulkan dalam penelitian ini mampu menghasilkan nilai akurasi sebesar 99.53 % dan waktu komputasi selama pelatihan adalah 519.4 detik dan pengujian adalah 884.8 detik, dan paling efisien dari pada metode pembanding lainnya (SOM, GSOM, dan SVM). Pada penelitian ini metode yang diusulkan mampu meningkatkan efisiensi waktu komputasi dalam melakukan klasifikasi tanpa mengorbankan akurasi.

English Abstract

The growth of internet technology and networks also involves threats to networks and computers. Intrusion Detection System (IDS) is made to solve this problem. IDS development currently uses many learning machines to classify dangerous attacks. One method for classification and visualization is the Self- Organizing Map (SOM). SOM is able to classify and visualize the learning process, so that it can be used to gain new knowledge. The problem that is owned by SOM is that computing time is less efficient when applied to big data, this problem has been tried to be solved with the Growing Self-Organizing Map (GSOM) method, but it is still not optimal. In this study is proposed the Restricted Growing SOM (RGSOM) method combine with the Principle Component Analysis (PCA) method as a feature reduction that aims to improve computational time efficiency. The main process in RGSOM is the process of growing maps and weight renewal processes. The map growth on RGSOM limited by the maximum number of nodes and growing threshold. In the previous study for IDS method, Support Vector Machine (SVM) and hybridization methods produced high accuracy to classify attacks, so SVM will be used as a comparison method as a reference of accuracy from the proposed method. The method proposed in this study reached 99.53% and the calculation time for training was 519.4 seconds and the test were 884.8 seconds, and the most efficient of the other comparison methods (SOM, GSOM, and SVM). In this study the proposed method is able to improve computational time efficiency in conducting classifications without sacrificing accuracy.

Other obstract

-

Item Type:	Thesis (Magister)
Identification Number:	TES/006.31/CHR/s/2019/041902207
Uncontrolled Keywords:	Kata kunci: self-organizing map, restricted growing self-organizing map, neural network, principle component analysis, klasifikasi, visualisasi, reduksi fitur, big data
Subjects:	000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning
Divisions:	S2/S3 > Magister Ilmu Komputer, Fakultas Ilmu Komputer
Depositing User:	yulia Chasanah
Date Deposited:	31 Aug 2022 03:18
Last Modified:	31 Aug 2022 03:20
URI:	http://repository.ub.ac.id/id/eprint/193834

Text Tomi-Yahya-Tesis-Sistem Deteksi Intrusi Jaringan Dengan Metode Restricted Growing Self-Organizing Map.pdf Download (2MB)

Actions (login required)

View Item