Pemanfaatan Random Forest untuk Klasifikasi Serangan pada Jaringan Komputer

Abstract

Penelitian ini menggunakan Random Forest (RF) untuk klasifikasi serangan pada Intrusion Detection System (IDS). Training dan testing dilakukan pada dataset UNSW-NB15 dengan jumlah estimator (decision tree) pada RF yang bervariasi. Klasifikasi yang dilakukan adalah binary classification di mana classifier tersebut bekerja untuk menentukan apakah sample data yang diproses dari testing dataset merupakan serangan (attack) atau bukan serangan (normal). Hasil pengujian menunjukkan RF dengan jumlah estimator 150 memperoleh nilai detection rate sebesar 99.96% dan akurasi sebesar 81.02%.

This study uses Random Forest (RF) for attack classification on the Intrusion Detection System (IDS). Training and testing were conducted on the UNSW-NB15 dataset with varying numbers of estimators (decision trees) on RF. The classification performed was binary classification, where the classifier worked to determine whether the data sample processed from the testing dataset was an attack or not an attack (normal). The test results showed that RF with 150 estimators obtained a detection rate of 99.96% and an accuracy of 81.02%.