Klasifikasi Serangan pada Jaringan Komputer menggunakan Support Vector Machine dan k-Nearest Neighbor

Abstract

Penelitian ini membahas penggunaan Support Vector Machine (SVM) dan k-Nearest Neighbor untuk melakukan klasifikasi pada Intrusion Detection System (IDS). Dataset yang digunakan adalah UNSW-NB15 dan klasifikasi yang dilakukan adalah binary classification di mana classifier tersebut bekerja untuk menentukan apakah sample data yang diproses dari testing dataset merupakan serangan atau bukan serangan (normal). Hasil pengujian menunjukkan bahwa SVM memperoleh nilai akurasi sebesar 80.02% dan kNN mencapai nilai akurasi 77.06% untuk k=3 dan 77.19% untuk k=4.

This study discusses using a Support Vector Machine (SVM) and k-nearest Neighbor to perform classification on an Intrusion Detection System (IDS). The dataset used is UNSW-NB15, and the classification performed is binary classification, where the classifier works to determine whether the data sample processed from the testing dataset is an attack or not an attack (normal). The test results show that SVM obtains an accuracy value of 80.02% and kNN achieves an accuracy value of 77.06% for k = 3 and 77.19% for k = 4.