Analisis Pengaruh Activation Dan Loss Function Terhadap Matriks Akurasi Dan Performansi Pada Pemodelan Intrusion Detection System Menggunakan Metode Long Short-Term Memory Dan Gated Recurrent Unit

Rishika, Ravi Vendra (2024) Analisis Pengaruh Activation Dan Loss Function Terhadap Matriks Akurasi Dan Performansi Pada Pemodelan Intrusion Detection System Menggunakan Metode Long Short-Term Memory Dan Gated Recurrent Unit. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025211015-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Perkembangan teknologi dan pertumbuhan internet telah memberikan dampak positif dan revolusioner terhadap berbagai lini kehidupan manusia saat ini, di antaranya bidang perbankan, kesehatan, dan sains. Kehadiran internet juga semakin memudahkan pertukaran data dan informasi antar entitas tanpa terbatas institusi ataupun geografis yang berbeda. Namun selain memberikan dampak positif, keterbukaan, dan kemudahan informasi ini juga menimbulkan kerentanan data terhadap pencurian data, virus, maupun berbagai tipe serangan siber lainnya.

Pertukaran data masif yang terjadi di jaringan menjadi tantangan tersendiri dalam hal mendeteksi aktivitas anomali dan serangan siber yang terjadi. Kehadiran Intrusion Detection System (IDS) sebagai salah satu metode deteksi dan proteksi terhadap integritas, ketersediaan, keamanan, dan kerahasiaan data di dalam sistem menjadi sangat krusial dibutuhkan. Kehadiran IDS mampu membantu dalam mendeteksi serangan siber maupun anomali yang terjadi sehingga meminimalisasi kemungkinan kebocoran data ataupun intrusi.

Mayoritas IDS yang ada saat ini dibangun dengan menggunakan bahasa pemrograman legacy seperti Python, C++, dan Java, dikombinasikan dengan berbagai algoritma machine learning yang variatif, antara lain AdaBoost, XGBoost, Decision Tree, dan Random Forest. Di lain sisi, kehadiran bahasa pemrograman baru, antara lain Go, Kotlin, dan Rust, serta algoritma dalam kelompok machine learning maupun deep learning, antara lain Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), juga memberikan dampak terhadap penelitian dan pengembangan IDS. Penelitian tentang IDS dengan berbagai teknologi baru tersebut akan semakin terbuka luas dan menantang.

Penelitian ini mengusulkan implementasi IDS dengan menganalisis kombinasi antara activation function dan loss function pada metode Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Implementasi model IDS ini nanti memanfaatkan bahasa pemrograman Python yang dikenal sebagai salah satu bahasa pemrograman yang unggul dalam pengembangan machine learning. Sedangkan metode yang digunakan adalah LSTM dan GRU yang merupakan algoritma machine learning yang memiliki tingkat akurasi yang bagus, terutama untuk proses prediksi dan klasifikasi untuk set data yang bersifat sekuensial ataupun time-series.

Penelitian ini juga mencoba melakukan sebuah pendekatan baru dalam pembuatan model IDS menggunakan LSTM dan GRU, yakni dengan menerapkan proses pengurutan dan klusterisasi set data untuk menghasilkan sebuah set data baru yang bersifat sekuensial dan terkluster berdasarkan atribut yang sesuai. Dengan kolaborasi teknologi, metode, dan pendekatan baru tersebut, penelitian ini diharapkan dapat memberikan insight dan terobosan baru terhadap pengembangan IDS ke depannya, baik dari segi penggunaan metode, algoritma, akurasi, maupun performansi

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	activation function, data kluster, data sekuensial, Gated Recurrent Unit (GRU), keamanan jaringan, keamanan siber, Long Short-Term Memory (LSTM), loss function, pengurutan data, sistem deteksi intrusi, sistem keamanan informasi, activation function, cybersecurity, data cluster, data sequence, Gated Recurrent Unit (GRU), information system and security, Intrusion Detection System (IDS), Long Short-Term Memory (LSTM), loss function, network security.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Ravi Vendra Rishika
Date Deposited:	13 Aug 2024 04:11
Last Modified:	13 Aug 2024 04:11
URI:	http://repository.its.ac.id/id/eprint/114210

Actions (login required)

View Item