Ilham Seftiansyah, M. Sultan (2025) Pendeteksian Anomali Menggunakan Bagging dengan Voting Mayoritas. Skripsi thesis, Universitas Pakuan.
Full text not available from this repository.Abstract
M. Sultan Ilham Seftiansyah. 2025. “Pendeteksian Anomali Menggunakan Bagging dengan Voting Mayoritas.” Dibimbing oleh Dr. Andi Chairunnas, M.Pd., M.Kom., dan Yusma Yanti, M.Si. Penelitian ini dilatarbelakangi oleh pentingnya perlindungan terhadap sistem jaringan dari serangan Distributed Denial of Service (DDoS) yang semakin kompleks. Untuk mengatasi kelemahan metode deteksi tradisional, penelitian ini mengusulkan pendekatan machine learning dengan metode ensemble learning, khususnya teknik Bagging dengan Voting Mayoritas. Tujuan dari penelitian ini adalah untuk meningkatkan akurasi sistem deteksi anomali pada Intrusion Detection System (IDS) dengan memanfaatkan kombinasi model Decision Tree, Random Forest, dan XGBoost. Masingmasing model menggunakan parameter sebagai berikut: Decision Tree (criterion='entropy', random_state=42), Random Forest (n_estimators=100, random_state=42), dan XGBoost (n_estimators=100, gamma=1, reg_alpha=0, reg_lambda=1, random_state=42). Metode yang digunakan dalam penelitian ini adalah ensemble learning dengan pendekatan Bagging dan teknik voting mayoritas. Model dibangun dengan menggabungkan beberapa algoritma klasifikasi, termasuk Decision Tree, Random Forest, dan XGBoost, yang masing-masing menggunakan parameter yang telah disesuaikan. Evaluasi dilakukan pada empat skenario rasio pembagian data: 70:30, 75:25, 80:20, dan 90:10. Tahapan awal mencakup pra-pemrosesan data seperti pembersihan, encoding label, dan normalisasi, untuk memastikan kualitas data sebelum proses pelatihan dan pengujian dilakukan. Data yang digunakan berasal dari dataset CIC-DDoS2019 dengan jumlah 33.066 baris dan 88 fitur. Hasil evaluasi menunjukkan bahwa rasio 70:30 memberikan performa terbaik, dengan akurasi mencapai 93,58%, F1-score sebesar 90,51%, dan waktu evaluasi tercepat yaitu 142,86 detik. Meskipun selisih rasio 70:30 dan 75:25 hanya 5%, perbedaan tersebut menghasilkan dampak nyata terhadap performa dan efisiensi proses. Selain itu, metode Bagging diuji pada dua skenario tambahan, yaitu deteksi spam email dan halaman phishing, yang masing-masing menghasilkan akurasi di atas 96%. Temuan ini membuktikan bahwa metode Bagging mampu menghasilkan model yang andal, efisien, dan memiliki kemampuan generalisasi yang baik untuk mendeteksi berbagai jenis serangan jaringan. Kata Kunci: Ensemble Learning, Bagging, Decision Tree, Random Forest, XGBoost.
| Item Type: | Thesis (Skripsi) |
|---|---|
| Subjects: | Fakultas Ilmu Pengetahuan Alam dan Matematika > Ilmu Komputer |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Ilmu Komputer |
| Depositing User: | PERPUSTAKAAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNPAK |
| Date Deposited: | 17 Oct 2025 03:40 |
| Last Modified: | 17 Oct 2025 03:40 |
| URI: | http://eprints.unpak.ac.id/id/eprint/9927 |
Actions (login required)
 |
View Item |