OPTIMASI PERFORMA ALGORITMA RANDOM FOREST MENGGUNAKAN METODE BAGGING DAN CFS (CORRELATION BASED FEATURE SELECTION) UNTUK MENINGKATKAN AKURASI DETEKSI SERANGAN DDOS (DENIAL DISTRIBUTED OF SERVICE)

Subianto, Cahyo Bayu (2023) OPTIMASI PERFORMA ALGORITMA RANDOM FOREST MENGGUNAKAN METODE BAGGING DAN CFS (CORRELATION BASED FEATURE SELECTION) UNTUK MENINGKATKAN AKURASI DETEKSI SERANGAN DDOS (DENIAL DISTRIBUTED OF SERVICE). Other thesis, UPT PERPUSTAKAAN POLSRI.

Preview	Text Cover.pdf Download (743kB) | Preview
Preview	Text (BAB 1 PENDAHULUAN) BAB I.pdf Download (191kB) | Preview
Preview	Text (BAB 2 TINJAUAN PUSTAKA) BAB II.pdf Download (444kB) | Preview
	Text (BAB 3 METODOLOGI PENELITIAN) BAB III.pdf Restricted to Repository staff only Download (159kB) | Request a copy
	Text (BAB 4 HASIL DAN PEMBAHASAN) BAB IV.pdf Restricted to Repository staff only Download (1MB) | Request a copy
Preview	Text (BAB 5 KESIMPULAN DAN SARAN) BAB V.pdf Download (11kB) | Preview
Preview	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Download (85kB) | Preview
Preview	Text Lampiran.pdf Download (66kB) | Preview

Abstract

Dalam lanskap digital yang terus berubah, serangan Distributed Denial of Service (DDoS) merupakan ancaman yang serius terhadap keamanan jaringan dan layanan online. Oleh karena itu, dibutuhkan deteksi serangan DDoS yang akurat. Penelitian ini fokus pada meningkatkan kinerja algoritma Random Forest dengan menggunakan metode Correlation-Based Feature Selection untuk menghitung nilai korelasi antara fitur-fitur, dan mengeliminasi fitur-fitur yang dapat menyebabkan masalah multicollinearity dalam analisis atau model prediksi. Penelitian ini menggunakan dataset publik CIC-DDoS2019 dan evaluasi dilakukan menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penggunaan metode Correlation-Based Feature Selection meningkatkan akurasi deteksi serangan DDoS hingga 99.88%. Temuan ini menyoroti potensi penggunaan algoritma Random Forest dengan metode CFS untuk meningkatkan deteksi serangan DDoS dalam lingkungan jaringan yang rumit. Penelitian ini telah menunjukkan peningkatan signifikan dibandingkan dengan penelitian sebelumnya.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Optimasi, Machine Learning, Random Forest, Bagging, CFS, Serangan DDoS
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electrical Engineering > Undergraduate Theses
Depositing User:	Mr Bambang Anthony
Date Deposited:	23 Jan 2025 02:01
Last Modified:	23 Jan 2025 02:01
URI:	http://eprints.polsri.ac.id/id/eprint/15819

Actions (login required)

View Item