Skripsi

MULTI CLASSIFICATION PADA SISTEM PENDETEKSI SERANGAN SIBER MENGGUNAKAN LSTM VARIANT

---

Penilaian

---

Long Short Term Memory, metode pendeteksi serangan siber dengan kemampuan memproses urutan data dan mengingat informasi dalam rentang waktu panjang. Namun, LSTM tidak dapat secara efektif mengingat informasi apabila urutan data terlalu panjang atau informasi tersebar pada jarak yang jauh. Oleh karena itu, hadir metode Bidirectional LSTM dan Stacked LSTM. BiLSTM mampu memproses urutan data secara simultan ke depan dan ke belakang, sehingga mampu menangkap konteks global dari data dan dapat memproses urutan data yang kompleks. Stacked LSTM, terdiri dari beberapa lapisan LSTM yang ditumpuk secara berurutan, sehingga mampu mendeteksi serangan siber dengan urutan data yang sangat panjang dan bervariasi. Penelitian ini mengidentifikasi metode yang paling efektif dalam klasifikasi serangan siber pada dataset multiclass, dengan mempertimbangkan kompleksitas dan karakteristik dataset CIC-IDS-2018, ISCXIDS2012, KDD Cup 1999, dan NSL-KDD. Validasi terbaik pada CIC-IDS-2018, Stacked LSTM dengan akurasi sebesar 86.99%. Pada ICXIDS2012, metode Stacked LSTM dengan akurasi 99.38%. Dataset KDD Cup 1999, Bidirectional LSTM dengan akurasi 99.08%. Pada dataset NSL-KDD, Bidirectional LSTM dengan akurasi 95.14%.

---

Availability

Inventory Code	Barcode	Call Number	Location	Status
2407000506	T138196	T1381962024	Central Library (Referens)	Available but not for loan - Not for Loan

Detail Information

Series Title

-

Call Number

T1381962024

Publisher

Inderalaya : Prodi Sistem Komputer, Fakultas Ilmu Komputer Uniersitas Sriwijaya., 2023

Collation

xxii, 222 hlm.; Ilus.; 29 cm

Language

Indonesia

ISBN/ISSN

-

Classification

006.307

Content Type

Text

Media Type

unmediated

Carrier Type

-

Edition

-

Subject(s)

Sistem Pakar
Prodi Sistem Komputer

Specific Detail Info

-

Statement of Responsibility

SEPTA

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment