Klasifikasi Serangan pada Jaringan Komputer berbasis Ensemble Learning menggunakan Gradient Boosting Classifier dan AdaBoost

Abstract

Penelitian ini menggunakan Gradient Boosting dan AdaBoost untuk klasifikasi serangan pada Intrusion Detection System (IDS). Training dan testing dilakukan pada dataset UNSW-NB15. 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 Gradient Boosting dengan jumlah estimator 150 memperoleh nilai detection rate sebesar 99.40% dan akurasi sebesar 82.47%. AdaBoost dengan jumlah estimator 100 memperoleh nilai detection rate 99.88% dan nilai akurasi 80.82%.

This study uses Gradient Boosting and AdaBoost for attack classification on the Intrusion Detection System (IDS). Training and testing were conducted on the UNSW-NB15 dataset. 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 Gradient Boosting with 150 estimators obtained a detection rate of 99.96% and an accuracy of 81.02%. AdaBoost with 100 estimators obtained a detection rate of 99.88% and an accuracy value of 80.82%.