Seleksi Fitur Dengan Pendekatan Agglomerative Hierarchical Clustering Pada Deteksi Intrusi Berbasis Machine Learning

Aziz, Moh. Nasrul (2019) Seleksi Fitur Dengan Pendekatan Agglomerative Hierarchical Clustering Pada Deteksi Intrusi Berbasis Machine Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 05111750010014-Master_Thesis.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Intrusion Detection System (IDS) adalah aplikasi perangkat lunak atau perangkat yang memonitor sistem atau aktivitas jaringan sebagai suatu aplikasi keamanan jaringan. Berbagai metode telah dikembangkan dalam IDS. Metode misuse detection dan anomaly detection adalah pendekatan yang umum dilakukan dalam IDS. Berbagai pendekatan teknologi pembelajaran mesin telah diterapkan pada sistem deteksi intrusi (IDS). Untuk mendapatkan hasil yang optimal, perlu beberapa tahapan untuk memproses data training. Di antaranya adalah metode pemilihan fitur, di mana fitur yang tidak relevan dan berlebihan dihilangkan. Dalam penelitian sebelumnya, sistem dikembangkan berdasarkan pengelompokan fitur yang menggunakan pendekatan clustering sebagai kriteria evaluasi. Dalam penelitian ini, kami mengusulkan metode untuk meningkatkan performa machine learning dengan pendekatan seleksi fitur berdasarkan fitur cluster. Kami mengusulkan seleksi fitur berdasarkan cluster yang berasal dari nilai mutual information dan Pearson Correlation. Hirarki kluster digunakan dalam membentuk filter yang digunakan untuk membuat cluster terpilih dan tereduksi. Dalam mengembangkan hierarki klaster, metode single, complete, dan average linkage digunakan untuk menentukan pembentukan cluster fitur terbaik. Metode klasifikasi dengan Support Vector Machine (SVM), Naïve Bayes, dan J48 decision tree yang kami terapkan untuk mengamati kinerja seleksi fitur yang diusulkan dapat meningkatkan kinerja klasifikasi. Dari hasil percobaan, ditemukan bahwa akurasi tertinggi, 99,842%, dapat diperoleh ketika menggunakan single linkage dalam klasifikasi J48 diimplementasikan dalam dataset Kyoto 2006.
=============================================================================================================================Intrusion Detection System (IDS) is a software application or device that monitors system or network activity as a network security application. Various machine learning technology approaches have been applied to intrusion detection systems (IDS). To achieve optimal results, several stages are needed for processing network traffic, one of which is the feature selection method, where irrelevant and redundant features are removed. In previous research, systems were developed based on feature grouping using a clustering approach as the evaluation criteria. In this study, we propose a method for improving machine learning performance through a feature selection approach based on feature clustering. We propose a cluster-based feature selection derived from mutual information and Pearson correlation values. The cluster hierarchy is used to form filters that create selected and reduced clusters. In developing the cluster hierarchy, single, complete, and average linkage methods are used to determine the formation of the best feature clusters. The classification methods Support Vector Machine (SVM), Naïve Bayes, and J48 decision tree are applied to observe whether the proposed feature selection can improve classification performance. From the experimental results, it is found that the highest accuracy, 99.842%, is obtained when single linkage is implemented with the J48 classifier on the Kyoto 2006 dataset.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Intrusion Detection, Data mining, network security, machine learning, classification, cluster hierarchy.
Subjects:	Q Science > QA Mathematics > QA76.9.A25 Computer security. Digital forensic. Data encryption (Computer science) Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science)
Divisions:	Faculty of Information and Communication Technology > Informatics > 55101-(S2) Master Thesis
Depositing User:	Moh Nasrul aziz
Date Deposited:	23 Jul 2026 03:46
Last Modified:	23 Jul 2026 03:46
URI:	http://repository.its.ac.id/id/eprint/66934

Actions (login required)

View Item