PENINGKATAN PERFORMA DETEKSI SERANGAN MENGGUNAKAN METODE PCA DAN RANDOM FOREST

Abstract

Keamanan jaringan menjadi hal yang sangat penting dalam menghadapi ancaman serangan yang semakin kompleks dan canggih. Deteksi serangan dalam jaringan dapat membantu mengidentifikasi aktivitas mencurigakan yang mengindikasikan upaya penetrasi atau serangan oleh pihak yang tidak berwenang. Dalam upaya untuk meningkatkan performa deteksi serangan perlu adanaya penerapan sebuah metode untuk mendeteksi sebuah ancaman . Metode Random Forest adalah algoritma pembelajaran mesin yang memanfaatkan ansambel pohon keputusan. Ansambel tersebut terdiri dari beberapa pohon keputusan independen yang digunakan untuk mengklasifikasikan data. Salah satu karakteristik dari metode Random Forest adalah kemampuannya dalam mengatasi masalah overfitting dan kualitas prediksi yang baik. Principal Component Analysis (PCA) adalah teknik statistik yang digunakan untuk mengurangi dimensi data dengan memproyeksikannya ke ruang fitur yang lebih rendah. Hal ini membantu menghilangkan korelasi antar fitur dan mengidentifikasi fitur-fitur penting yang dapat meningkatkan pemisahan antara serangan dan lalu lintas normal. Dalam penelitian ini akan diujikan dengan dataset CIC IOT 2023 yang terdiri dari beberapa tipe serangan. Pengujian model terdiri dari 4 fitur yaitu 5,8,10 dan 47. Hasil deteksi menunjukkan hasil yang memuaskan dengan meningkatkan kinerja dalam mendeteksi serangan hingga mencapai 99,2%