Intrusion Detection System Berbasis Seleksi Fitur Dengan Kombinasi Filter Information Gain Ratio Dan Correlation
DOI:
https://doi.org/10.25126/jtiik.0813154Abstrak
Intrusion Detection System merupakan suatu sistem yang dikembangkan untuk memantau dan memfilter aktivitas jaringan dengan mengidentifikasi serangan. Karena jumlah data yang perlu diperiksa oleh IDS sangat besar dan banyaknya fitur-fitur asing yang dapat membuat proses analisis menjadi sulit untuk mendeteksi pola perilaku yang mencurigakan, maka IDS perlu mengurangi jumlah data yang akan diproses dengan cara mengurangi fitur yang dapat dilakukan dengan seleksi fitur. Pada penelitian ini mengkombinasikan dua metode perangkingan fitur yaitu Information Gain Ratio dan Correlation dan mengklasifikasikannya menggunakan algoritma K-Nearest Neighbor. Hasil perankingan dari kedua metode dibagi menjadi dua kelompok. Pada kelompok pertama dicari nilai mediannya dan untuk kelompok kedua dihapus. Lalu dilakukan klasifikasi K-Nearest Neighbor dengan menggunakan 10 kali validasi silang dan dilakukan pengujian dengan nilai k=5. Penerapan pemodelan yang diusulkan menghasilkan akurasi tertinggi sebesar 99.61%. Sedangkan untuk akurasi tanpa seleksi fitur menghasilkan akurasi tertinggi sebesar 99.59%.
Abstract
Intrusion Detection System is a system that was developed for monitoring and filtering activity in network with identified of attack. Because of the amount of the data that need to be checked by IDS is very large and many foreign feature that can make the analysis process difficult for detection suspicious pattern of behavior, so that IDS need for reduce amount of the data to be processed by reducing features that can be done by feature selection. In this study, combines two methods of feature ranking is Information Gain Ratio and Correlation and classify it using K-Nearest Neighbor algorithm. The result of feature ranking from the both methods divided into two groups. in the first group searched for the median value and in the second group is removed. Then do the classification of K-Nearest Neighbor using 10 fold cross validation and do the tests with values k=5. The result of the proposed modelling produce the highest accuracy of 99.61%. While the highest accuracy value of the not using the feature selection is 99.59%.
Unduhan
Referensi
AKASHDEEP, MANZOOR,I. & KUMAR, N. 2017. A Feature Reduced Intrusion Detection System Using ANN Classifier. Expert Systems With Applications. Vol. 88 hlm 249-257.
DENG, X., LIU, Q., DENG, Y. & MAHADEVAN, S. 2016. An Improved Method To Construct Basic Probability Assignment Based On The Confusion Matrix For Classification Problem. Information Sciences. Vol. 340-341 hlm 250-261.
HASAN, M., NASSER, M., AHMAD, S. & MOLLA, K, I . 2016. Feature Selection For Intrusion Detection Using Random Forest. Journal Of Information Security. Vol. 7 hlm 129-140.
KHAMMASSI, C. & KRICHEN, S. 2017. A GA-LR Wrapper Approach For Feature Selection In Network Intrusion Detection. Journal of Computers & Security. Vol.70 hlm 255-277.
LIU, Y., BI, J.W. & FAN, Z.P. 2017. Multiclass Sentiment Classification : The Experimental Comparisons Of Feature Selection And Machine Learning Algorithms. Expert Systems With Applications. Vol. 80 hlm 323-339.
MURSALIN, MD., ZHANG, Y., CHEN, Y. & CHAWLA, N, V. 2017. Automated Epileptic Seizure detection Using Improved Correlation Based Feature Selection With RandomForest Classifier. Neurocomputing. Vol. 241 hlm 204-214.
NABABAN, A.A., SITOMPUL, O, S,. & TULUS. 2018. Attribute Weighting Based K-Nearest Neighbor Using Gain Ratio. Journal of Physic: Conference Series. Vol. 1007: 1-6.
ONAN, A. & KORUKOGLU, S. 2015. A Feature Selection Model Based On Genetic Rank Aggregation For Text Sentiment Classification. Journal Of Information Science. Vol.43 hlm 25-38.
SALLA, R., WILHELMIINA, H., SARI, K., MIKAELA, M., PEKKA, M. & JAAKKO, M. 2018. Evaluation Of The Confusion Matrix Method In The Validation Of An Automated System For Measuring Feeding Behaviour Of Cattle. Behavioural Processes. Vol. 148 hlm 56-62.
SELVAKUMAR, B. & MUNEESWARAN, K. 2018. Firefly Algorithm Based Feature Selection For Network Intrusion Detection. Computers & Security. Vol. 81 hlm 148-155.
WANG, X., ZHANG, C. & ZHENG, K. 2016. Intrusion Detection Algorithm Based on Density, Cluster Centers, And Nearest Neighbors. Network Coding And Algorithm. Vol. 13 hlm 24-31.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi

Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).