Machine Learning Blog mahasiswa Universitas Brawijaya

10Apr/19Off

Sistem Deteksi Intrusi Jaringan Dengan Metode Restricted Growing Self-Organizing Map

Abstrak

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. Tetapi ada permasalahan yang sangat krusial yang dimiliki oleh SOM yaitu waktu proses pembelajaran yang kurang efisien apabila diterapkan pada data yang berukuran besar (big data). Pada penelitian ini diajukan metode Restricted Growing SOM (RGSOM). 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). Untuk meningkatkan efisiensi waktu komputasi dilakukan reduksi fitur dengan metode Principle Component Analysis (PCA). 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 tesis ini metode yang diusulkan mampu meningkatkan efisiensi waktu komputasi dalam melakukan klasifikasi tanpa mengorbankan akurasi.

Publikasi terkait:

  1.  Anomaly-based intrusion detector system using restricted growing self organizing map

Berikut ini lampiran file pendukung tesis yang sedang saya kerjakan. Beberapa lampiran berupa data set KDD yang telah diolah melalui proses preprocessing dan juga telah melalui prosses reduksi fitur menggunakan metode PCA dapat di download di RGSOM Repository (Google Drive).
Data orisinil dapat di lihat di http://archive.ics.uci.edu/ml/datasets/kdd+cup+1999+data.