<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "Pendeteksian Anomali Menggunakan\r\nBagging dengan Voting Mayoritas."^^ . "M. Sultan Ilham Seftiansyah. 2025. “Pendeteksian Anomali Menggunakan\r\nBagging dengan Voting Mayoritas.” Dibimbing oleh Dr. Andi Chairunnas, M.Pd.,\r\nM.Kom., dan Yusma Yanti, M.Si.\r\nPenelitian ini dilatarbelakangi oleh pentingnya perlindungan terhadap sistem\r\njaringan dari serangan Distributed Denial of Service (DDoS) yang semakin kompleks.\r\nUntuk mengatasi kelemahan metode deteksi tradisional, penelitian ini mengusulkan\r\npendekatan machine learning dengan metode ensemble learning, khususnya teknik\r\nBagging dengan Voting Mayoritas. Tujuan dari penelitian ini adalah untuk meningkatkan\r\nakurasi sistem deteksi anomali pada Intrusion Detection System (IDS) dengan\r\nmemanfaatkan kombinasi model Decision Tree, Random Forest, dan XGBoost. Masingmasing model menggunakan parameter sebagai berikut: Decision Tree\r\n(criterion='entropy', random_state=42), Random Forest (n_estimators=100,\r\nrandom_state=42), dan XGBoost (n_estimators=100, gamma=1, reg_alpha=0,\r\nreg_lambda=1, random_state=42).\r\nMetode yang digunakan dalam penelitian ini adalah ensemble learning dengan\r\npendekatan Bagging dan teknik voting mayoritas. Model dibangun dengan\r\nmenggabungkan beberapa algoritma klasifikasi, termasuk Decision Tree, Random Forest,\r\ndan XGBoost, yang masing-masing menggunakan parameter yang telah disesuaikan.\r\nEvaluasi dilakukan pada empat skenario rasio pembagian data: 70:30, 75:25, 80:20, dan\r\n90:10. Tahapan awal mencakup pra-pemrosesan data seperti pembersihan, encoding\r\nlabel, dan normalisasi, untuk memastikan kualitas data sebelum proses pelatihan dan\r\npengujian dilakukan.\r\nData yang digunakan berasal dari dataset CIC-DDoS2019 dengan jumlah 33.066\r\nbaris dan 88 fitur. Hasil evaluasi menunjukkan bahwa rasio 70:30 memberikan performa\r\nterbaik, dengan akurasi mencapai 93,58%, F1-score sebesar 90,51%, dan waktu evaluasi\r\ntercepat yaitu 142,86 detik. Meskipun selisih rasio 70:30 dan 75:25 hanya 5%, perbedaan\r\ntersebut menghasilkan dampak nyata terhadap performa dan efisiensi proses. Selain itu,\r\nmetode Bagging diuji pada dua skenario tambahan, yaitu deteksi spam email dan halaman\r\nphishing, yang masing-masing menghasilkan akurasi di atas 96%. Temuan ini\r\nmembuktikan bahwa metode Bagging mampu menghasilkan model yang andal, efisien,\r\ndan memiliki kemampuan generalisasi yang baik untuk mendeteksi berbagai jenis\r\nserangan jaringan.\r\nKata Kunci: Ensemble Learning, Bagging, Decision Tree, Random Forest, XGBoost."^^ . "2025-06-17" . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Pengetahuan Alam, Universitas Pakuan"^^ . . . . . . . . . . . "Yusma"^^ . "Yanti"^^ . "Yusma Yanti"^^ . . "Andi"^^ . "Chairunnas"^^ . "Andi Chairunnas"^^ . . "M. Sultan"^^ . "Ilham Seftiansyah"^^ . "M. Sultan Ilham Seftiansyah"^^ . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pnegetahuan Alam"^^ . . . "Program Studi Ilmu Komputer"^^ . . . . . . "HTML Summary of #9927 \n\nPendeteksian Anomali Menggunakan \nBagging dengan Voting Mayoritas.\n\n" . "text/html" . . . "Ilmu Komputer"@en . .