Optimasi Algoritma Random Forest dengan Particle Swarm Optimization pada Intrusion Detection System untuk Peningkatan Deteksi Ransomware

Arrosyid Arsyad, Dirsya (2025) Optimasi Algoritma Random Forest dengan Particle Swarm Optimization pada Intrusion Detection System untuk Peningkatan Deteksi Ransomware. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (207kB)
	PDF BAB_II.pdf Download (484kB)
	PDF BAB_III.pdf Download (365kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (552kB)
	PDF BAB_V.pdf Download (200kB)
	PDF DAFTAR_PUSTAKA.pdf Download (205kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (210kB)

Abstract

Ransomware merupakan salah satu ancaman siber yang selalu berkembang setiap saat dalam aspek penanganan dan tingkat mengelabui sistem keamanan. Dibutuhkan sebuah Intrusion Detection System (IDS) agar dapat melakukan deteksi dini terhadap ransomware. Terdapat penelitian terdahulu menggunakan algoritma Random Forest (RF) yang dioptimasi dengan Principal Component Analysis (PCA) dalam pengembangan IDS akan tetapi hanya digunakan untuk mendeteksi kerentanan secara umum. Penelitian ini bertujuan untuk mengoptimalkan algoritma RF menggunakan Particle Swarm Optimization (PSO) pada IDS untuk peningkatan deteksi ransomware secara khusus dan akan dibandingkan dengan optimasi algoritma sebelumnya. Hasil penelitian menunjukkan bahwa algoritma RF yang dioptimasi dengan PSO mendapatkan hasil yang lebih baik pada testing set dibandingkan algoritma RF yang dioptimasi dengan PCA yaitu dengan hasil tingkat akurasi 0,999, precision 0,997, recall 1,0, f1-score 0,998 dan response time 1,04 detik.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Ransomware, Intrusion Detection System, Random Forest, Principal Component Analysis, Paritcle Swarm Optimization
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	01 Jul 2025 07:56
Last Modified:	01 Jul 2025 07:56
URI:	https://kc.umn.ac.id/id/eprint/37545

Actions (login required)

View Item