Penerapan Metode Radial Basis Function Dengan Jumlah Center Dinamis Untuk Klasifikasi Serangan Jaringan Komputer

Iwan Iskandar

Abstract


Ancaman serangan pada jaringan merupakan masalah yang sangat banyak dan semakin pesat perkembangannya saat ini. Jaringan komputer yang kita gunakan rawan akan serangan sehingga merugikan pengguna jaringan. Beberapa contoh jenis serangan yaitu U2R, R2L, Probes, dan DOS. Untuk mengetahui jenis serangan dapat dilakukan klasifikasi terhadap serangan jaringan komputer menggunakan salah satu metode jaringan saraf tiruan. Pada penelitian ini dilakukan klasifikasi serangan jaringan komputer menggunakan metode Radial Basis Function (RBF) dengan jumlah center dinamis. Jumlah nilai center yang digunakan dilihat dari jumlah nilai error terkecil pada proses pelatihan jaringan RBF. Nilai error terkecil diperoleh dari hasil pelatihan dengan jumlah center sebanyak inputan sampai dua kali jumlah inputan. Penentuan nilai center RBF menggunakan algoritma clustering yaitu algoritma K-means. Data yang digunakan pada penelitian ini adalah data KDD Dataset CUP 1999. Variabel yang digunakan sebanyak 33 variabel dari 41 variabel data KDD Dataset Cup 1999. Jumlah data yang digunakan sebanyak 7047 data dengan pembagian data latih dan data uji adalah 70%:30%, 80%:20% dan 90%:10%. Parameter RBF yang digunakan adalah nilai spread 1 sampai 9. Hasil penelitian ini diperoleh akurasi sebesar 97,9% dengan jumlah center 59 dan nilai spread 1.

Full Text:

PDF

References


Takyudin, 2012. Aplikasi Host-Based Intrusion Detection System (H-IDS) Dengan Menggunakan Metode Adaptive Nuero Fuzzy Inference System

Soleiman. E. M dan Fetanat .A., 2014. Using Learning Vector Quantization (LVQ) in Intrusion Detection Systems. , 1(10): 15–19.

Desiani Anita, Arhami Muhammad. 2005. “Konsep Kecerdasan Buatan”, Andi: Palembang

Elvianti. 2014. ”Penerapan Metode Modified K-Nears Neighboour (MKNN) Untuk Klasifikasi Penderita Penyakit Liver”, Universitas Islam Negeri Sultan Syarif Kasim Riau

KDD CUP 1998 DARPA (Defense Advances Research Project Agancy) Intuction Detection Dataset. [online] available: http://kdd.ics.uci.edu/database/kddcup99/kddcup99.html

Tempo, 2017, “Hacker merajalela di negara berkembang ada udang dibalik batu”, available [online] on https://tekno.tempo.co/read/news/2017/07/05/072889051/hacker-merajalela-di-negara-berkembang-ada-udang-di-balik-batu diakses tanggal 7 Juli 2017

P Amudha, H Abdul Rauf. 2011. “Performance Analysis of Data Mining Approaches in Intrusion Detection”. IEEE

Khaerani Izza, Handoko Lekso Budi. 2015. “Implementasi Dan Analisa Hasil Data Mining Untuk Klasifikasi Serangan Pada Intrusion Detection System (Ids) Dengan Algoritma C4.5”. Techno.com: Vol. 14 N0. 3 (181-188)

Sundarajan N, Saratachandran, Wei Lu Ying. 1999. “Radial Basis Function Neural Network with Sequential Learning”. World Scientific: Singapore

Sutijo, Brodjol, Subanar, dan Suryo Guritno. “Pemilihan Hubungan Input-Node Pada Jaringan Saraf”. Jurnal MIPA, 2006: 56-60.

Jia Weikuan, Zhao Dean, Shen Tian, Su Chunyang, Chanli Hu, Zhao Yuyan. 2014. “A New Optimized GA-RBF Neural Network Algorithm”. Handawi Publishing Corporation Computational Intelligence and Neurosience: vol 2014, ID 982045

Rajasekaran, S. 2007. “Neural Networks, Fuzzy Logic, and Genetic Algorithms Synthesis and Applications”. Prentice-Hall of India Private Limited: New Delhi




DOI: http://dx.doi.org/10.24014/coreit.v5i2.8193

Refbacks

  • There are currently no refbacks.


Bookmark and Share


Creative Commons License  site stats  
Jurnal CoreIT by http://ejournal.uin-suska.ac.id/index.php/coreit/ is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.