Penerapan Naive Bayes dan Support Vector Machine dalam Mendeteksi Lalulintas Jaringan Berbahaya

Ray Aditya, Axl (2024) Penerapan Naive Bayes dan Support Vector Machine dalam Mendeteksi Lalulintas Jaringan Berbahaya. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (4MB)
	PDF BAB_I.pdf Download (207kB)
	PDF BAB_II.pdf Download (748kB)
	PDF BAB_III.pdf Download (216kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (560kB)
	PDF BAB_V.pdf Download (202kB)
	PDF DAFTAR_PUSTAKA.pdf Download (218kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (200kB)

Abstract

Kemajuan dalam teknologi informasi dan komunikasi telah memberikan keunggulan yang signifikan bagi masyarakat modern, namun juga menimbulkan tantangan baru dalam keamanan cyber. Serangan cyber yang semakin kompleks dan merugikan menyebabkan kerugian finansial, pencurian data, dan gangguan operasional bisnis. Deteksi dini dan analisis yang efektif terhadap ancaman cyber menjadi krusial untuk menjaga keberlangsungan organisasi dan melindungi keamanan informasi. Pada tahun 2023, tercatat ada 80 juta serangan cyber di Indonesia, dengan jumlah serangan yang melebihi 80 ribu ditujukan kepada website per hari dan sekitar 29 juta dari serangan tersebut berhasil diblokir sepanjang tahun. Mayoritas perusahaan di Indonesia masih mengandalkan deteksi manual dan firewall yang membutuhkan bantuan manual dalam menganalisis ancaman cyber. Machine learning (ML) menawarkan solusi yang lebih cepat dan efisien untuk mendeteksi ancaman cyber melalui pemrosesan data dalam volume besar dan menemukan pola kompleks. Penelitian ini menggunakan dataset network traffic log dari Kaggle dan mengaplikasikan algoritma ML Naive Bayes serta Support Vector Machine untuk mendeteksi jaringan berbahaya. Penelitian ini bertujuan untuk menciptakan model ML yang konsisten dan reliabel dalam mendeteksi jaringan berbahaya serta membandingkan kinerja kedua algoritma ML tersebut. Dapat disimpulkan bahwa SVM lebih baik dalam kasus ini dengan hasil akurasi setinggi 99.4% dibangingkan dengan Naive Bayes yang hanya mencapai akurasi 60%. Hasil penelitian diharapkan dapat berkontribusi pada pengembangan teknologi dan keamanan cyber.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	malicious traffic detection, Naive Bayes, network traffic, Support Vector Machine
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Nov 2024 09:38
Last Modified:	11 Nov 2024 09:38
URI:	https://kc.umn.ac.id/id/eprint/34298

Actions (login required)

View Item