Perbandingan Kinerja Algoritma Random Forest, XGBoost, dan Convolutional Neural Network dalam Mendeteksi Serangan Brute Force SSH pada Data RT-IoT 2022

Nur Hidayah Afandi, 202069040028 (2024) Perbandingan Kinerja Algoritma Random Forest, XGBoost, dan Convolutional Neural Network dalam Mendeteksi Serangan Brute Force SSH pada Data RT-IoT 2022. Sarjana thesis, Universitas Yudharta.

	Text (Abstrak.pdf) 202069040028_Abstrak.pdf Restricted to Registered users only Download (38kB) | Request a copy
	Text (BAB I.pdf) 202069040028_BAB I.pdf Restricted to Registered users only Download (53kB) | Request a copy
	Text (BAB II.pdf) 202069040028_BAB II.pdf Restricted to Registered users only Download (416kB) | Request a copy
	Text (BAB III.pdf) 202069040028_BAB III.pdf Restricted to Registered users only Download (229kB) | Request a copy
	Text (BAB IV.pdf) 202069040028_BAB IV.pdf Restricted to Registered users only Download (588kB) | Request a copy
	Text (BAB V.pdf) 202069040028_BAB V.pdf Restricted to Registered users only Download (40kB) | Request a copy
	Text (Daftar Pustaka.pdf) 202069040028_Daftar Pustaka.pdf Restricted to Registered users only Download (107kB) | Request a copy
	Text (Halaman Depan.pdf) 202069040028_Halaman Depan.pdf Restricted to Registered users only Download (590kB) | Request a copy

Abstract

Serangan brute force SSH merupakan tantangan utama dalam keamanan sistem berbasis Internet of Things (IoT). Penelitian ini bertujuan untuk membandingkan kinerja tiga algoritma machine learning, yaitu Random Forest, XGBoost, dan Convolutional Neural Network (CNN), dalam mendeteksi serangan brute force SSH pada dataset RT-IoT2022 yang berisi data trafik jaringan perangkat IoT riil. Dataset dievaluasi berdasarkan dua faktor, yaitu akurasi deteksi serangan dan kecepatan pelatihan model. Ketiga algoritma diimplementasikan menggunakan bahasa pemrograman Python dan librari scikit-learn serta TensorFlow. Hasil penelitian menunjukkan bahwa XGBoost memiliki akurasi tertinggi dengan 92.37%, diikuti oleh Random Forest dengan 91.60%, dan CNN dengan akurasi terendah yaitu 82.44%. Untuk kategori 4 (Brute-Force SSH attacks), baik Random Forest maupun XGBoost memiliki akurasi 90.91%, sementara CNN mencapai 81.82%. Kesimpulan umum menunjukkan bahwa XGBoost menunjukkan performa terbaik secara keseluruhan dan pada sebagian besar kategori, sedangkan Random Forest juga memberikan hasil yang baik. Meskipun CNN memiliki keterbatasan dalam akurasi, ia masih mampu memberikan performa yang baik di beberapa kategori lainnya. Penelitian ini diharapkan dapat memberikan rekomendasi algoritma terbaik untuk diterapkan dalam sistem deteksi serangan berbasis IoT guna meningkatkan keamanan sistem.

Item Type:	Thesis (Sarjana)
Identification Number:	0467-KI-24-01
Contributors:	Contribution Contributors Email Thesis advisor Arif Faizin, M.Kom, ㅤ UNSPECIFIED
Subjects:	Karya Umum > Ensiklopedia
Divisions:	Fakultas Teknik > Teknik Informatika
Date Deposited:	30 Sep 2024 13:25
Last Modified:	04 Jan 2025 09:42
URI:	https://repository.yudharta.ac.id/id/eprint/5584

Actions (login required)

View Item