Metode Seleksi Fitur Kolaboratif Filter Varian Rendah dan Korelasi Pearson Exclude untuk Klasifikasi Bot dan Brute Force.
View/ Open
Date
2020Author
Saputra, Andri
Sukoco, Heru
Neyman, Shelvie Nidya
Metadata
Show full item recordAbstract
Malware merupakan ancaman kejahatan bagi dunia cyber saat ini. Tercatat,
bentuk serangan malware yang terbanyak dan tertinggi itu adalah Bot diikuti oleh
Brute Force. Bot bekerja menyusup dan merusak sistem seperti zombie. Sedangkan,
Brute Force memiliki algoritme untuk menjebol akses ke data yang terenkripsi
seperti pencurian data. Kedua serangan tersebut jika tidak dikendalikan akan
merugikan pengguna internet. Penelitian ini mengujikan filter varian rendah
dikombinasikan dengan korelasi Pearson exclude dan Decision tree. Setiap fitur
nilai varian di bawah 0.016 akan dihapus, diuji tingkat korelasinya dengan angka
threshold 0.1 - 0.4, dan diklasifikasikan dengan pengolahan data latih menjadi
sebuah model. Metode seleksi fitur yang dilakukan berhasil membuat model
klasifikasi Bot dan Brute Force dengan berkinerja baik. Mengurangi jumlah fitur
dari 83 fitur menjadi 10 fitur terseleksi untuk Bot, 15 fitur terseleksi untuk Web
Attack Brute Force dan 10 fitur terseleksi untuk SSH – Patator. Hasil akurasi
tertinggi dari model klasifikasi Bot sebesar 99.5% dengan threshold 0.4, Web
Attack Brute Force tertinggi sebesar 99.8% dengan threshold 0.1 dan SSH - Patator
sebesar 99.7% dengan threshold 0.4. Nilai presisi untuk Bot tertinggi sebesar
98.5% dengan threshold 0.1 dan 0.3, Web Attack Brute Force sebesar 100% dengan
threshold 0.3 dan SSH - Patator tertinggi sebesar 99.7% dengan threshold 0.3 dan
0.4. Nilai recall untuk Bot tertinggi sebesar 99.5% dengan threshold 0.1 dan 0.3,
Web Attack Brute Force sebesar 100% dengan threshold 0.1 dan SSH - Patator
sebesar 99.8% dengan threshold 0.1 dan 0.2.