Naïve Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System Alert
Banyaknya malware menyebabkan IDS (Intrusion Detection System) dituntut menyesuaikan diri semakin kompleks sehingga mahal dan membebani perusahaan yang menggunakannya. Sistem yang berbasis teknologi Host-based IDS dan Signatured-based IDS sudah banyak digunakan namun hanya mampu mendeteksi serangan...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Universitas Andalas
2022-08-01
|
| Series: | Jurnal Teknologi dan Sistem Informasi |
| Subjects: | |
| Online Access: | https://teknosi.fti.unand.ac.id/index.php/teknosi/article/view/2111 |
| _version_ | 1811297562477461504 |
|---|---|
| author | Muhammad Kamil Suryadewiansyah Teja Endra Eng Tju |
| author_facet | Muhammad Kamil Suryadewiansyah Teja Endra Eng Tju |
| author_sort | Muhammad Kamil Suryadewiansyah |
| collection | DOAJ |
| description | Banyaknya malware menyebabkan IDS (Intrusion Detection System) dituntut menyesuaikan diri semakin kompleks sehingga mahal dan membebani perusahaan yang menggunakannya. Sistem yang berbasis teknologi Host-based IDS dan Signatured-based IDS sudah banyak digunakan namun hanya mampu mendeteksi serangan yang sudah diketahui sebelumnya, untuk memperbaiki kinerjanya perlu dilakukan analisa pada data log berdasarkan alert yang diberikan. Teknik klasifikasi Naïve Bayes digunakan untuk membantu meningkatkan efisisensi dan efektifitas analisa tersebut. Penelitian ini dilakukan dengan mengambil empat langkah bagian dari metodologi SKKNI (Standar Kompetensi Kerja Nasional Indonesia) No.299 tahun 2020, Artificial Intelligence, sub bidang Data Science, yaitu data understanding, data preparation, modeling, dan model evaluation. Dataset dari penyedia layanan IDS sebanyak 575 data yang dibagi menjadi 515 data latih dan 60 data uji. Hasil evaluasi data uji dengan confusion matrix diperoleh pengukuran metrik accuracy 0,87, recall 0,89, precision 0,83, dan F-Measure 0,86. Adanya FP (False Positive) dan FN (False Negatif), keduanya sangat penting bagi penguna IDS untuk meningkatkan kualitas layanan kepada pelanggan dan mengurangi resiko akibat adanya intrusi. FP dan FN menjadi fokus dalam melakukan analisa log alert dari IDS sehingga tidak perlu menganalisa keseluruhan data, berdampak memberikan hasil 85% lebih efektif dan berkontribusi pada efisiensi tenaga dan waktu bagi tim keamanan suatu peruasahaan pengguna IDS. Selain itu didapat bahwa sekitar 50% data IDS adalah intrusi atau pengganggu lainnya. |
| first_indexed | 2024-04-13T06:06:16Z |
| format | Article |
| id | doaj.art-a1b7fefd1ec745a9b063868eae896fa1 |
| institution | Directory Open Access Journal |
| issn | 2460-3465 2476-8812 |
| language | Indonesian |
| last_indexed | 2024-04-13T06:06:16Z |
| publishDate | 2022-08-01 |
| publisher | Universitas Andalas |
| record_format | Article |
| series | Jurnal Teknologi dan Sistem Informasi |
| spelling | doaj.art-a1b7fefd1ec745a9b063868eae896fa12022-12-22T02:59:15ZindUniversitas AndalasJurnal Teknologi dan Sistem Informasi2460-34652476-88122022-08-0182818810.25077/TEKNOSI.v8i2.2022.81-88192Naïve Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System AlertMuhammad Kamil Suryadewiansyah0Teja Endra Eng Tju1Universitas Budi LuhurUniversitas Budi LuhurBanyaknya malware menyebabkan IDS (Intrusion Detection System) dituntut menyesuaikan diri semakin kompleks sehingga mahal dan membebani perusahaan yang menggunakannya. Sistem yang berbasis teknologi Host-based IDS dan Signatured-based IDS sudah banyak digunakan namun hanya mampu mendeteksi serangan yang sudah diketahui sebelumnya, untuk memperbaiki kinerjanya perlu dilakukan analisa pada data log berdasarkan alert yang diberikan. Teknik klasifikasi Naïve Bayes digunakan untuk membantu meningkatkan efisisensi dan efektifitas analisa tersebut. Penelitian ini dilakukan dengan mengambil empat langkah bagian dari metodologi SKKNI (Standar Kompetensi Kerja Nasional Indonesia) No.299 tahun 2020, Artificial Intelligence, sub bidang Data Science, yaitu data understanding, data preparation, modeling, dan model evaluation. Dataset dari penyedia layanan IDS sebanyak 575 data yang dibagi menjadi 515 data latih dan 60 data uji. Hasil evaluasi data uji dengan confusion matrix diperoleh pengukuran metrik accuracy 0,87, recall 0,89, precision 0,83, dan F-Measure 0,86. Adanya FP (False Positive) dan FN (False Negatif), keduanya sangat penting bagi penguna IDS untuk meningkatkan kualitas layanan kepada pelanggan dan mengurangi resiko akibat adanya intrusi. FP dan FN menjadi fokus dalam melakukan analisa log alert dari IDS sehingga tidak perlu menganalisa keseluruhan data, berdampak memberikan hasil 85% lebih efektif dan berkontribusi pada efisiensi tenaga dan waktu bagi tim keamanan suatu peruasahaan pengguna IDS. Selain itu didapat bahwa sekitar 50% data IDS adalah intrusi atau pengganggu lainnya.https://teknosi.fti.unand.ac.id/index.php/teknosi/article/view/2111rule-based, likelihood, security, probability, f-1 score |
| spellingShingle | Muhammad Kamil Suryadewiansyah Teja Endra Eng Tju Naïve Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System Alert Jurnal Teknologi dan Sistem Informasi rule-based, likelihood, security, probability, f-1 score |
| title | Naïve Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System Alert |
| title_full | Naïve Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System Alert |
| title_fullStr | Naïve Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System Alert |
| title_full_unstemmed | Naïve Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System Alert |
| title_short | Naïve Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System Alert |
| title_sort | naive bayes dan confusion matrix untuk efisiensi analisa intrusion detection system alert |
| topic | rule-based, likelihood, security, probability, f-1 score |
| url | https://teknosi.fti.unand.ac.id/index.php/teknosi/article/view/2111 |
| work_keys_str_mv | AT muhammadkamilsuryadewiansyah naivebayesdanconfusionmatrixuntukefisiensianalisaintrusiondetectionsystemalert AT tejaendraengtju naivebayesdanconfusionmatrixuntukefisiensianalisaintrusiondetectionsystemalert |