Model Deteksi Botnet SPAM Berbasis Ekstraksi Fitur dengan Pendekatan Fuzzy Logic dan Penerapan Machine Learning

Safitri, Wardatul Amalia (2025) Model Deteksi Botnet SPAM Berbasis Ekstraksi Fitur dengan Pendekatan Fuzzy Logic dan Penerapan Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025211006-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Botnet adalah malware yang menginfeksi perangkat komputer sehingga perangkat tersebut dapat dikontrol oleh penyerang atau botmaster dari jarak jauh melalui Command and Control (C&C) server. Serangan botnet adalah serangan yang kompleks dan terstruktur. Salah satu jenis botnet yang dominan menyerang keamanan siber adalah botnet SPAM. Aktivitas botnet SPAM tidak hanya mengganggu jaringan, tetapi juga berpotensi memicu serangan lanjutan termasuk menginfeksi perangkat baru guna membentuk jaringan botnet yang lebih kompleks. Seiring bertambahnya perangkat yang terinfeksi, intensitas dan kompleksitas serangan botnet pun cenderung meningkat, sehingga dampak kerusakan yang ditimbulkan menjadi semakin besar. Penelitian terdahulu hanya mendeteksi botnet secara biner tanpa mendeteksi serangan spesifik yang dibawanya. Pada tugas akhir ini, klasifikasi dilakukan untuk mendeteksi tiga kelas, yaitu aktivitas normal, botnet non-SPAM, dan botnet SPAM. Model yang dikembangkan merupakan model deteksi multikelas dalam satu tahap klasifikasi yang menerapkan fuzzy logic pada proses ekstraksi fitur. Untuk mengevaluasi pengaruh penerapan fuzzy logic, proses klasifikasi dilakukan menggunakan berbagai algoritma machine learning yang berbeda. Hasil dari tugas akhir menunjukkan bahwa fuzzy logic cocok digunakan pada algoritma berbasis pohon keputusan, seperti Decision Tree dan Random Forest. Model terbaik yang dicapai pada tugas akhir ini adalah model Decision Tree yang menerapkan fungsi keanggotaan fuzzy berbentuk segitiga. Nilai akurasi model ini secara keseluruhan adalah 97,74%. Pada perhitungan macro average, nilai precision adalah 72,82%, nilai recall adalah 72.82%, nilai F1 adalah 71,61% dan F2 adalah 71,94%. Kemudian, waktu untuk pelatihan model mendekati 15 detik dan ukuran model yang dihasilkan adalah 180 KB.

============================================================

Botnet is malware that infects computer devices so that the device can be controlled by an attacker or botmaster remotely via a Command and Control (C&C) server. Botnet attacks are complex and structured attacks. One type of botnet that dominantly attacks cybersecurity is the SPAM botnet. The activity of the SPAM botnet not only disrupts the network but also has the potential to trigger further attacks including infecting new devices to form a more complex botnet network. As the number of infected devices increases, the intensity and complexity of botnet attacks tend to increase, so that the impact of the damage caused becomes greater. Previous studies only detected botnets binary without detecting the specific attacks they carry. In this final project, classification is carried out to detect three classes, namely normal activity, non-SPAM botnets, and SPAM botnets. The model developed is a multiclass detection model in one classification stage that applies fuzzy logic to the feature extraction process. To evaluate the effect of applying fuzzy logic, the classification process is carried out using various machine learning algorithms. The results of the final project show that fuzzy logic is suitable for use in tree-based algorithms, such as Decision Tree and Random Forest. The best model achieved in this final project is the Decision Tree model that applies a triangular fuzzy membership function. The overall accuracy value of this model is 97.74%. In the macro average calculation, the precision value is 72.82%, the recall value is 72.82%, the F1 value is 71.61% and the F2 value is 71.94%. Then, the time for model training is close to 15 seconds and the size of the resulting model is 180 KB.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Botnet, Ekstraksi Fitur, Fuzzy Logic, Machine Learning, Multikelas, Feature Extraction, Multiclass.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Wardatul Amalia Safitri
Date Deposited:	28 Jul 2025 04:11
Last Modified:	28 Jul 2025 04:11
URI:	http://repository.its.ac.id/id/eprint/122180

Actions (login required)

View Item