Perbandingan Kinerja Model Deteksi Serangan pada Intrusion Detection System dengan Tuning Hyperparameter

Abstract

Abstrak— Banyaknya penggunaan internet membuat banyak sektor mengalami kemudahan dan kemajuan, baik pada Pendidikan sampai pertahanan, akan tetapi dengan berkembangnya internet, makin berkembang pula cakupan kejahatan yang merambat pada piranti digital atau internet yang disebut cyber crime. Dengan bermunculannya kejahatan siber, maka muncul pula pertahan siber atau cybersecurity dengan salah satu Upaya untuk mengatasi cyber crime adalah dengan menggunakan intrusion detection system atau sistem pendeteksian serangan. dengan berkembangnya teknologi, diberlakukan pula teknologi machine learning pada data serangan pada intrusion detection system guna mengetahui apakah ada serangan pada sistem atau tidak. Penggunaan machine learning pada cybersecurity akan membuka lembaran baru pada lini pertahanan siber yang cakupan perlindungannya menjadi semakin lebar dengan makin banyaknya model serangan. Dengan Random Forest dan Decision Tree yang merupakan supervised learning dan memiliki keandalan pada klasifikasi, dapat membantu proses pendeteksian serangan pada sistem dengan melakukan training dan testing pada dataset hasil traffic. Lebih jauh, dengan mengandalkan Random Forest dan Decision Tree dengan dioperasikan Hyperparameter Tuning, keandalan akan semakin meningkat. Dengan menggunakan algoritma machine learning, dataset dapat di training dengan akurasi 99% dengan akurasi prediksi atau test sebesar 86% pada decision tree hingga 87% pada random forest, terbukti handal untuk mendeteksi serangan pada dataset. Dengan perbandingan akurasi 1% pada prediksi, dapat dikatakan bahwa algoritma random forest lebih handal dalam pendeteksian serangan.

Kata Kunci— IDS, Machine Learning, Random Forest, Decision Tree, Hyperparameter Tuning, Google Colab.