Analisis Perbandingan Klasifier Decision Tree, Random Forest, Dan Adaboost Dalam Mendeteksi Serangan Siber

Khalidian Gustami Fiqri, Ahmad Tri Hanuranto, Casi Setianingsih

Abstract

Abstrak Ancaman siber yang banyak muncul dengan bertambahnya pengguna internet membuat keamanan siber menjadi hal yang penting untuk dimiliki oleh penyedia layanan. Karena ancaman siber tidak hanya merusak sistem penyedia layanan, tapi juga dapat mengambil data yang dimiliki oleh penyedia layanan tersebut. Bila hal ini terjadi dapat merugikan pihak penyedia layanan itu sendiri dan juga pengguna layanan tersebut. Dengan Intrusion Detection System yang dapat mendeteksi serangan siber secara otomatis dapat membantu dalam mengurangi serangan yang dapat masuk kedalam sistem. Didalam Tugas Akhir ini, didesain pendeteksi serangan menggunakan klasifier Decision Tree, Random Forest, dan AdaBoost dan dianalisa klasifier manakah yang paling efisien dalam hal waktu dan performa dari ketiga klasifier yang digunakan. Perbandingan klasifier ini dilakukan dengan cara mendapatkan dataset, preprocessing dataset, pemilihan fitur yang digunakan, training klasifier, testing klasifier, lalu yang terakhir mengevaluasi hasil klasifier. Dataset yang digunakan adalah dataset KDDcup99 dan dataset manual. Dan fitur yang digunakan berjumlah 14 dari total 41 fitur dalam KDDcup99. Hasil yang didapatkan adalah klasifier Decision Tree menjadi klasifier yang paling efisien dalam hal waktu dan performa. Dengan hasil: lama melatih klasifier 9,35 detik, memprediksi serangan 1,42 detik, Precision 96,41%, Recall 100%, dan Accuracy 97,05%. Random Forest merupakan klasifier kedua yang efisien untuk mendeteksi serangan karena dibandingkan Decision Tree, Random Forest memiliki hasil yang fluktuatif pada performanya. AdaBoost kurang efisien untuk mendeteksi serangan dikarenakan waktu yang dibutuhkan untuk melatih klasifier (178.64 detik) dan memprediksi serangan (21.56 detik) terlalu lama. Kata kunci : Decision Tree, Random Forest, AdaBoost, Intrusion Detection System, Classifier, Confusion Matrix, KDDcup99 Abstract With increasing usage of internet, the cyber threat will also increasing which makes cyber security become something that must have for every service provider. Because cyber threat not only can damage service provider's system but also can steal user's personal data that use service from service provider. If this happen not only loss on service provider but also on users. That's where Intrusion Detection System comes in. IDS can detect cyber attack automatically and can help reduce attack that comes to system. In this Final Assignment was designed Decision Tree, Random Forest, and AdaBoost classfier to detecting attack and would be analyzed which more efficient based on time and performance from those three classifiers. This comparative classifier was done by getting datasets, preprocessing datasets, features selection, training classifiers, testing classifiers, and evaluating classifiers result. Datasets used were KDDcup99 dataset and manual dataset. From 41 features in KDDcup99, chosen 14 features to be used in this Final Assignment. The results are Decision Tree classifier is the most efficient classifier based on time and performance with the outcome in training time 9.35 second and predict time 1.42 second. The performance from classifier are Precision 96.41%, Recall 100%, and Accuracy 97.05%. Random Forest is the second most effient because compared with Decision Tree, Random ISSN : 2355-9365 e-Proceeding of Engineering : Vol.7, No.1 April 2020 | Page 403 2 Forest performance is fluctuative. On the other hand, AdaBoost is not very efficient to detecting attack because time needed for AdaBoost to train classifier (178.64 second) and predict attack (21.56 second) are too long. Keywords: Decision Tree, Random Forest, AdaBoost, Intrusion Detection System, Classifier, Confusion Matrix, KDDcup99

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0