ABSTRAK Deteksi Intrusi merupakan sebuah mekanisme dalam

ABSTRAK
Deteksi Intrusi merupakan sebuah mekanisme dalam usaha menyediakan keamanan
bagi jaringan komputer. Oleh karena diperlukan suatu cara proses identifikasi serangan
dalam usaha menjaga keamanan jaringan. Algoritma Machine Learning untuk deteksi
intrusi jaringan dilakukan, dimana performa harus berada pada level yang dapat
diterima untuk berbagai tipe serangan pada jaringan. Oleh karena bertambahnya volume
data sebagaimana semakin komplek dan dinamisnya sifat dari intrusi, data mining
berdasarkan teknik deteksi intrusi telah diterapkan pada jaringan yang berdasarkan
trafik data. Dari semakin meningkatnya teknologi komputer data dalam jumlah yang
besar dapat dikumpulkan dan disimpan. Akan tetapi data ini baru berguna jika dianalisa
dan depedensi korelasinya ditemukan. Hal ini dapat dicapai dengan menggunakan
algoritma Machine Learning Klasifikasi J48 dalam membangun dan membuat model
intrusi yang efektif dari Decision Tree. Performa dari akurasi diukur dari algoritma
machine learning dengan menggunakan test KDD99 intrusi dataset untuk menemukan
anomali dan klasifikasi serangan. Dalam percobaan ini deteksi intrusi jaringan
dievaluasi performa dengan memanfaatkan benchmark KDD CUP dari 10 % Trainin
Dataset. Melihat lebih jauh sebuah Decision Tree sebagai model intrusi. Dan pada
akhirnya percobaan dibantu dengan Classifier J48 yang berasal dari alat perangkat lunak
WEKA untuk mendapatkan akurasi dari performa dalam mencapai deteksi anomali.
Dari hasil analisis didapatkan tingkat akurasi dicapai dengan sangat baik menggunakan
algoritma ini dalam proses klasifikasi serangan dengan tingkat akurasi rata-rata diatas
98 %.
Universitas Sumatera Utara
ATTACK ANALYSIS OF DATASET LOG FROM SYSTEM INTRUSION
DETECTION USING DECISION TREE ALGORITHM
ABSTRACT
Intrusion detection is a mechanism for providing the security to Computer Networks.
Because of that we need a process to identification network attack for manage network
security. Machine Learning Algorithm for network intrusion detection using decision
tree is presented, which performs the balance of detections and keeps false positives at
acceptable level for different types of network attacks. Due to the large volumes of data
as well as the complex and dynamic properties of intrusion behaviors, data mining
based intrusion detection techniques have been applied to network-based traffic data.
Because of advances in computer technology large amounts of data could be collected
and stored. But all this data becomes more useful when it is analyzed and some
dependencies and correlations are detected. This can be accomplished with machine
learning algorithm J48 Classifier to build and effective decision tree Intrusion detection
model. Performance of accuracy from measure from learning algorithm by employing
the KDD99 benchmark intrusion detection dataset to find out the anomaly and
classification of attack. In this research investigated network intrusion detection and
evaluated their performance by employing the benchmark KDD Cup 99 10 % Training
Dataset. Explored a decision tree as an intrusion detection model. And at least
experiments suing the help of J48 Classifier, WEKA tool to achieve the accuracy of
performance in attaining the detection of the anomalies. From result of analysis we get
result of accuracy from this algorithm is quite good enough for classification of attack
with accuray arround 98 %.
Universitas Sumatera Utara