Kurniabudi

Pesatnya teknologi jaringan komunikasi data, semakin banyak aplikasi, perangkat dan protokol yang terhubung kedalam jaringan, yang menghasilkan aliran trafik yang sangat besar dan beragam yang kemudian dikenal dengan istilah jaringan kompleks (heterogeneous network), selain itu mendorong hadirnya bentuk serangan-serangan baru. Mengenali jenis serangan baru menjadi sebuah tantangan. Meskipun berbagai teknik IDS telah dikembangkan, namun dihadapkan pada permasalahan utama terkait false alarm, computational time dan complexity. Salah satu pendekatan untuk besarnya dimensionalitas data adalah seleksi fitur, namun penelitian-penelitian sebelumnya masih memiliki beberapa isu yaitu : (i) jumlah atribut/ fitur yang terbatas, (ii) pengujian terbatas pada jaringan tertentu, dan (iii) belum diuji dengan heterogeneous data dan imbalanced data. Oleh karenanya penelitian ini bertujuan untuk : 1)Merancang pendekatan baru seleksi fitur terhadap trafik jaringan kompleks dengan high dimensonality of data dan imbalanced; 2) Merancang metode baru deteksi anomali pada jaringan kompleks dengan high dimensonality of data yang memiliki akurasi yang tinggi, alarm palsu yang rendah dan waktu komputasi yang rendah; 3) Menguji metode baru deteksi anomali terhadap trafik jaringan dengan high dimensonality of data dan imbalanced. Berdasarkan hasil studi, pendekatan seleksi fitur dapat meningkatkan performa deteksi anomali. Namun untuk membuktikannya dilakukan eksperimen untuk beberapa metode seleksi fitur seperi Information Gain, Gain Ratio, PSO Search dan CFs-BestFirst. Sedangkan untuk deteksi anomali digunakan beberapa metode klasifikasi diantaranya : Naïve Bayes, Bayes Network, Random Tree, Random Forest dan J48. Hasilnya memperlihatkan metode seleksi fitur meningkatkan performa deteksi anomali, namun masih perlu dioptimasi. Selanjutnya peneliti melakukan eksperimen dengan melakukan optimasi seleksi fitur menggunakan Naive Bayes, yang menghasilkan 38 fitur terpilih. Performa deteksi memperlihatkan hasil optimasi seleksi fitur ini dapat meningkatkan kinerja J48 dengan nilai Accucacy 99,86%, recall 0,999, precission 0,999 dan FPR 0,002.