SAPUTRA, Naufal Rizki (2026) Optimasi Intrusion Detection System Melalui Seleksi Fitur Berbasis Pearson Correlation Dan Model BiGRU Dengan Rule-Based Filtering. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (73kB)
	Text 3. HALAMAN PENGESAHAN 1.pdf Download (760kB)
	Text 4. HALAMAN PENGESAHAN 2.pdf Download (809kB)
	Text 5. KATA PENGANTAR.pdf Download (909kB)
	Text 6. ABSTRAK.pdf Download (163kB)
	Text 7. ABSTRACT.pdf Download (171kB)
	Text 8. DAFTAR ISI.pdf Download (260kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (269kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (184kB)
	Archive Naufal Rizki Saputra - 24060122120011 - Informatika.zip Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Intrusion Detection System (IDS) berbasis Machine Learning (ML), khususnya pendekatan
Deep Learning (DL), pada lingkungan Internet of Things (IoT) menghadapi tantangan utama
berupa tingginya ketidakseimbangan kelas (class imbalance) serta banyaknya fitur yang
bersifat redundan pada dataset Bot-IoT. Kondisi tersebut dapat menyebabkan model
memiliki akurasi tinggi, namun kurang mampu dalam mengenali perilaku pada lalu lintas
normal maupun lalu lintas berbahaya. Penelitian ini bertujuan untuk meningkatkan kinerja
sekaligus aspek interpretabilitas anomaly-based IDS melalui pendekatan seleksi fitur
berbasis analisis korelasi menggunakan Pearson Correlation Coefficient (PCC) terhadap
kelas target, yang dikombinasikan dengan perhitungan standar deviasi dan perubahan
absolut standar deviasi untuk menentukan jumlah fitur optimal. Fitur terpilih selanjutnya
digunakan sebagai input pada model klasifikasi menggunakan Bidirectional Gated
Recurrent Unit (BiGRU) untuk klasifikasi biner (normal dan attack). Untuk memperoleh
performa optimal, dilakukan proses hyperparameter tuning dengan mengeksplorasi berbagai
kombinasi parameter model, yang memanfaatkan kapasitas komputasi besar guna
mengevaluasi konfigurasi secara sistematis dan intensif. Hasil evaluasi model Deep
Learning (DL) tanpa integrasi aturan menunjukkan nilai macro precision 99%, macro recall
97%, dan macro F1-score 98%. Selanjutnya, interpretabilitas fitur terpilih dimanfaatkan
untuk merancang mekanisme filtering awal berbasis aturan (rule-based filtering layer)
sebelum proses inferensi model dilakukan, sehingga membentuk pendekatan hybrid antara
penyaringan berbasis threshold dan DL. Evaluasi tambahan terhadap pendekatan hybrid
menunjukkan peningkatan sensitivitas deteksi melalui penurunan false negative hingga nol
pada skenario pengujian, meskipun disertai sedikit peningkatan false positive. Temuan ini
menunjukkan bahwa integrasi seleksi fitur yang interpretatif dengan model DL dapat
menghasilkan sistem deteksi yang lebih seimbang, efisien, dan berpotensi aplikatif untuk
implementasi nyata pada lingkungan IoT.
Kata kunci : Intrusion Detection System, Bot-IoT, Feature Selection, Pearson Correlation
Coefficient, BiGRU, Macro Average, Hybrid IDS

Actions (login required)

View Item