DETEKSI AKURASI FALSE POSITIVE PADA SISTEM DETEKSI INTRUSI MENGGUNAKAN KNN (K NEAREST NEIGHBOR)
DOI:
https://doi.org/10.31539/costing.v7i5.12297Keywords:
K-NN (K Nearest Neighbor), Intrusion Detection System, Genetich Algorithm, Machine Learning.Abstract
Pada saat ini terdapat banyak serangan yang menyebabkan serangan atau malware kepada korban pada komputer, server, jaringan, dll. Untuk mencegah semua ini, diperlukan sistem yang dapat mencegah atau mendeteksi jika serangan seperti itu terjadi dengan nama intrusion detection system (IDS). IDS dapat mendeteksi serangan atau malware yang dikenali atau tidak dikenali. Namun, salah satu masalah dalam mengimplementasikan intrusion detection system adalah false positive. False positive dapat sangat berbahaya jika tidak ditangani dengan baik karena dapat memungkinkan serangan terjadi tanpa terdeteksi. Oleh karena itu, dalam penelitian ini, penulis untuk mengurangi false positive menggunakan machine learning serta membandingkan performa machine learning KNN dengan KNN Genetika Algoritma untuk menentukan algoritma mana yang terbaik. Dalam penelitian ini, peneliti menggunakan beberapa tahap untuk meningkatkan kualitas data dan tingkat akurasi yang diperoleh, seperti: penanganan Missing Value, Transformasi Data, Normalisasi Data dan perhitungan Euclidean Distance.
References
[2] Benaddi, H., Ibrahimi, K., & Benslimane, A. (2018, October). Improving the intrusion detection system for NSL-KDD dataset based on PCA-fuzzy clustering-KNN. In 2018 6th International Conference on Wireless Networks and Mobile Communications (WINCOM) (pp. 1-6). IEEE.
[3] Dhanabal, L. &. (2015). A Study on NSL-KDD Dataset for Intrusion , 446-452.
[4] Gondohanindijo, J. (2011). Sistem Untuk Mendeteksi Adanya Penyusup (IDS: Intrusion Detection System). Majalah Ilmiah INFORMATIKA,, 2(2).
[5] Hidayanti, W. P. (2020). Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Efektivitas Penjualan Vape (Rokok Elektrik) pada Lombok Vape On. Infotek: Jurnal Informatika dan Teknologi,, 3(2), 104-114.
[6] Houben, I. W. (1997). Genetic algorithm based k nearest neighbors, IFAC Proceedings Volumes, 30(6), 1075-1080.
[7] Imam, R. M. (2019). Deteksi Anomali Jaringan Menggunakan Hybrid Algorithm. eProceedings of Engineering, 6(2).
[8] Irsyadi, F. ((2020)). PENERAPAN MODIFIED K-NEAREST NEIGHBOR (MKNN) UNTUK KLASIFIKASI DATA SERANGAN JARINGAN KOMPUTER (NSL KDD CUP 1999). (Doctoral dissertation, Universitas Islam Negeri Sultan Syarif Kasim Riau).
[9] Li, W., Yi, P., Wu, Y., Pan, L., & Li, J. (2014). A new intrusion detection system based on KNN classification algorithm in wireless sensor network. Journal of Electrical and Computer Engineering, 2014.
[10] Liu, G., Zhao, H., Fan, F., Liu, G., Xu, Q., & Nazir, S. (2022). An enhanced intrusion detection model based on improved kNN in WSNs. Sensors, 22(4), 1407.
[11] Mahesh, B. (2020). Machine learning algorithms-a review. International Journal of Science and Research (IJSR).[Internet], 9, 381-386.
[12] Rahmad, F., Suryanto, Y., & Ramli, K. (2020, July). Performance comparison of anti-spam technology using confusion matrix classification. In IOP Conference Series: Materials Science and Engineering (Vol. 879, No. 1, p. 012076). IOP Publishing.
[13] Saravanan, A., & Bama, S. S. (2019). A review on cyber security and the fifth generation cyberattacks. Oriental journal of computer science and technology, 12(2), 50-56.
[14] Senthilnayaki, B., Venkatalakshmi, K., & Kannan, A. (2019). Intrusion detection system using fuzzy rough set feature selection and modified KNN classifier. Int. Arab J. Inf. Technol., 16(4), 746-753.
[15] Shapoorifard, H., & Shamsinejad, P. (2017). Intrusion detection using a novel hybrid method incorporating an improved KNN. Int. J. Comput. Appl, 173(1), 5-9.
