TA : Intrusion Detection System Menggunakan Deep Learning untuk Deteksi Serangan DoS

Kurniawan, Andre Arta (2020) TA : Intrusion Detection System Menggunakan Deep Learning untuk Deteksi Serangan DoS. Undergraduate thesis, Universitas Dinamika.

Preview	Text 16410200016-2020-UNIVERSITASDINAMIKA.pdf - Accepted Version Download (4MB) | Preview
	Text 16410200016-2020-LAMPIRAN.pdf - Accepted Version Restricted to Registered users only Download (3MB)

Search this title on : |

Abstract

Serangan dalam jaringan komputer ataupun internet ke penggunanya dalam era teknologi ini sangat beragam, banyaknya kejadian atau kasus yang telah terjadi membuat ancaman keamanan dalam menggunakan internet atau jaringan komputer menjadi fokus utama. Dari banyaknya jenis serangan yang ada satu yang paling umum digunakan yaitu serangan Denial of Service atau sering disebut dengan DoS attack. Dengan mengandalkan serangan ini pelaku menyerang target – target dalam jangkauannya dengan teknik membanjiri packet atau request ke komputer target secara terus menerus dan di saat waktu yang bersamaan hingga membuat komputer target tidak dapat menanggapi packet atau request tersebut. Dengan banyaknya kejadian dan cara menyerang, dibutuhkan tindakan yang harus dilakukan untuk mencegah serangan terjadi. Intrusion Detection System adalah salah satu cara bagaimana mendeteksi sebuah serangan terjadi apabila terjadi serangan pada sebuah komputer atau server atau jaringan komputer. IDS akan memonitor lalu lintas jaringan, namun karena IDS dibutuhkan tindakan maintenance untuk memberitahu serangan dengan karakteristik tersendiri dan ditambah dengan majunya sistem teknologi membuat IDS memiliki keterbatasan dalam penerapannya. Dalam beberapa tahun terakhir penerapan Deep Learning mulai banyak dipergunakan, salah satunya diterapkan pada masalah IDS. Pada penelitian Tugas Akhir ini dibangun sistem IDS dengan menggunakan Deep Learning yang diharapkan dapat mengetahui berapa besar tingkat akurasi serangan DoS yang ada dan menghitung True Positive Rate dan False Positive Rate. Adapun persiapan dataset yang diperlukan sebagai data input Deep Learning yang diambil dari hasil log wireshark kemudian dilakukan data normalisasi lalu diinput ke dalam CNN VGG-19 sebagai Deep Learning yang digunakan. Dari hasil pengujian yang telah dilakukan rata – rata akurasi yang dihasilkan sebesar 99.32% dengan rata – rata loss sebesar 4.08%. Akurasi terhadap variasi iterasi proses training rata – rata sebesar 99.17% dengan loss rata – rata sebesar 4.46% serta hasil ROC Curve untuk True Positive Rate dan False Positive Rate sebesar 1.

Export Record

ASCII Citation Atom BibTeX Dublin Core EP3 XML EndNote HTML Citation JSON METS MODS MPEG-21 DIDL OpenURL ContextObject OpenURL ContextObject in Span RDF+N-Triples RDF+N3 RDF+XML Refer Reference Manager Simple Metadata

Download Statistics

Downloads over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

View more statistics

Actions (login required)

View Item