Analisis Perbandingan Akurasi Deteksi Serangan Pada Jaringan Komputer Dengan Metode Naive Bayes Dan Support Vector Machine (SVM)

Abstrak

Serangan Denial of Service (DoS) merupakan suatu tindakan untuk melumpuhkan server komputer pada jaringan internet sehingga komputer tidak dapat menjalankan fungsinya dengan benar. Untuk melakukan pendeteksian atau pencegahan berbagai potensi serangan telah dikembangkan Intrusion Detection System (IDS). IDS memiliki dua metode dalam melakukan pendeteksian yaitu Rule Based (Signature Based) dan Behavior Based. Dalam penelitian ini digunakan metode behavior based dimana dalam proses kerjanya membutuhkan sebuah dataset dan metode. Metode  yang  dapat digunakan  salah satunya adalah  teknik  klasifikasi data  mining.  Tetapi  tidak  semua  algoritma  data  mining  memiliki  kinerja  yang  baik  dalam  mengklasifikasi  jenis  serangan.  Oleh  karena  itu,  penelitian  ini melakukan perbandingan beberapa algoritma yaitu Naive Bayes, SVM Linear, SVM Polynomial, dan SVM Sigmoid. Dataset yang digunakan dalam penelitian ini adalah dataset dari ISCX2012 testbed tanggal 14 Juni 2012. Penelitian ini menganalisis perbandingan metode yang dihasilkan dari proses klasifikasi berdasarkan nilai akurasi confusion matrix, precision, recall, dan f1 score. Naive Bayes, SVM Linear, SVM Polynomial dan SVM Sigmoid menghasilkan persentase akurasi berturut-turut sebesar 85,055%, 99,995%, 99,999%, dan 99,995%. Persentase akurasi tertinggi diperoleh SVM Polynomial, sedangkan Naive Bayes menghasilkan persentase akurasi terendah.