Abstrak

Semakin penting koneksi data melalui Internet membuat kebutuhan akan keamanan jaringan data semakin meningkat. Salah satu tools yang penting adalah Intrusion detection systems (IDS). Salah satu hal yang menjadi masalah dari penggunaan IDS adalah performan kecepatan untuk mendeteksi data yang semakin banyak dalam waktu yang singkat. Dalam penelitian ini kami akan melakukan analisa perbandingan performa IDS menggunakan features selection dengan algoritma Random Forest Classifier yang disimulasikan pada dataset UNSW-NB15, yaitu dataset simulasi serangan pada jaringan network yang dikembangan oleh Nour Moustafa & Jill Slay dari University of New South Wales pada Australian Defence Force Academy. Tujuan dari penelitian ini adalah mempercepat waktu proses Intrusion detection systems dengan machile learning. Penelitian dilakukan dengan 2 tahap, yaitu tahap pertama tanpa features selection dan tahap kedua dengan features selection ExtraTreesClassifier. Masing-masing tahap dilakukan dengan beberapa kali pengujian dengan persentasi testing dan training data yang berbeda. Hasil penelitian menunjukan bahwa penggunaan features selection dapat mempercepat waktu proses pendeteksian dengan menggunakan Random Forest Classifier, walaupun ada sedikit penurun akurasi dibawah 1%.