NETWORK INTRUSION DETECTION SYSTEM MENGGUNAKAN MODEL PSO-XGBOOST
Date
2024
Authors
Wirana, Hamdan Chandra
Ulil Surtia Zulpratita (Pembimbing)
Journal Title
Journal ISSN
Volume Title
Publisher
Program Studi S1 Informatika
Abstract
Kemajuan teknologi internet, kecerdasan buatan, dan big data telah memunculkan ancaman keamanan jaringan yang semakin kompleks. Permintaan akan Network Intrusion Detection System (NIDS) yang kuat dan efektif meningkat pesat. Penerapan teknologi AI dalam NIDS telah menghasilkan kinerja luar biasa. NIDS berbasis AI mengubah proses deteksi intrusi menjadi pengenalan pola dan klasifikasi berbagai perilaku dalam jaringan. Meskipun lebih unggul daripada sistem tradisional seperti firewall, NIDS awalnya memiliki batasan, seperti tingkat positif palsu yang tinggi dan penggunaan sumber daya berlebihan. Dalam mengatasi tantangan ini, Studi sebelumnya telah mengintegrasikan pembelajaran mesin dan metode ensemble, seppenerti penggunaan Model Particle Swarm Optimization (PSO) yang digabungkan dengan eXtreme Gradient Boosting (Xgboost), dikenal sebagai PSO-Xgboost. Model ini mencapai akurasi klasifikasi yang lebih tinggi dibandingkan dengan Model-Model alternatif. Penerapan PSOXgboost terbukti efektif dalam mendeteksi serangan minoritas. Pengaturan parameter yang kompleks dalam Model Xgboost diatasi dengan menggunakan algoritma swarm intelligence, PSO. Model hibrid PSO-Xgboost mengoptimalkan parameter-parameter Model Xgboost dengan sukses. Penelitian ini bertujuan mengusulkan dan mengimplementasikan NIDS menggunakan Model PSO-Xgboost untuk memantau keamanan jaringan dan membatasi akses serangan secara otomatis. Hasil penelitian ini terbukti bahwa PSO-Xgboost lebih unggul dibandingkan dengan algoritma lainya adapun algoritma yang dimaksud adalah logistic regression yang di mana hasil dari pengetesan Test AUC stabil pada 0.95076 berbanding dengan AUC yang lebih rendah sebesar 0.41017.