Article Per Year (5 Year)
p-Index From 2021 - 2026
2.367
P-Index
This Author published in this journals
All Journal JURTEKSI Jurdimas (Jurnal Pengabdian Kepada Masyarakat) Royal JOURNAL OF SCIENCE AND SOCIAL RESEARCH JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Jutsi: Jurnal Teknologi dan Sistem Informasi Jurnal Pemberdayaan Sosial dan Teknologi Masyarakat TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi Journal Of Indonesian Social Society
sahren, sahren
Unknown Affiliation
Religion Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Social Sciences Other

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : JOURNAL OF SCIENCE AND SOCIAL RESEARCH

 1 
INTRUSION DETECTION SYSTEM BERBASIS DEEP LEARNING UNTUK PENINGKATAN MITIGASI SQL INJECTION DAN SYN FLOOD ATTACK Sahren, Sahren; Lubis, Adi Prijuna
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 7, No 4 (2024): November 2024
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v7i4.2340

Abstract

Intrusion Detection System (IDS) tradisional seringkali tidak mampu mengikuti kecepatan perkembangan serangan, sehingga meninggalkan celah yang dapat dimanfaatkan oleh penyerang. Penelitian ini bertujuan untuk melindungi infrastruktur jaringan dari ancaman keamanan yang semakin kompleks. Dalam penelitian ini, penulis mengusulkan penggunaan model Deep Learning arsitektur CNN VGG-16 pada Intrusion Detection System untuk mitigasi serangan SqL Injection dan Syn Flood dengan proses yang lebih mendalam yaitu dengan penerapan normalisasi data diawal dan teknik augmentation sebagai cara meningkatkan variasi data pelatihan dan mengurangi overfitting. Public dataset yang digunakan CICDDoS2019 dan CSE-CIC-IDS2018. Dengan memanfaatkan kekuatan model Deep Learning dalam mengenali pola serangan yang kompleks dan berubah-ubah, serta teknik augmentation data untuk dapat memberikan tingakat Accuracy yang lebih baik.. Hasil Percobaan menujukkan hasil CNN dengan Arsitektur VGG 16 memiliki Accuracy 99.9261%, loss 0,018590 untuk serangan Syn Flood dan Accuracy 99.9983%, loss 0.001294 untuk Sql Injection. Resnet 50 dengan Accuracy 99.9263% , loss 0.024910 untuk syn flood, Accuracy 99.9962%, loss 0.001749 untuk Sql Injection. InceptionV3 dengan Accuracy 99.7784%, loss 0.015571 untuk serangan syn flood, sedangkan untuk sql injection dengan nilai Accuracy 99.9872% dan loss 0.000392.
SELEKSI FITUR MENGGUNAKAN MUTUAL INFORMATION UNTUK DETEKSI INTRUSI Yusda, Riki Andri; Sahren, Sahren; Sibuea, Mustika Fitri Larasati; Arifin, Nadira Meutia; Aditya, Bima
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 3 (2025): August 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i3.3112

Abstract

Abstract: This study explores the use of Mutual Information (MI) for feature selection in intrusion detection, focusing on the CICIDS 2017 dataset. Given the complexity and large volume of data in intrusion detection systems, this research aims to identify the most informative features. The methodology includes data preprocessing, MI calculation, and feature selection based on the highest MI values. The analysis results indicate that using MI contributes to improving model accuracy and reducing the false positive rate. These findings underscore the importance of feature selection in enhancing the effectiveness of intrusion detection systems and provide significant contributions to developing more efficient cybersecurity strategies. Keyword: IDS, Mutual Information, CICIDS2017, Feature selection Abstrak: Penelitian ini mengeksplorasi penggunaan Mutual Information (MI) untuk seleksi fitur dalam deteksi intrusi, dengan fokus pada dataset CICIDS 2017. Mengingat kompleksitas dan volume data yang besar dalam sistem deteksi intrusi, penelitian ini bertujuan untuk mengidentifikasi fitur-fitur yang paling informatif. Metodologi yang diterapkan mencakup preprocessing data, perhitungan MI, dan seleksi fitur berdasarkan nilai MI tertinggi. Hasil analisis menunjukkan bahwa penggunaan MI berkontribusi pada peningkatan akurasi model serta pengurangan tingkat false positive. Temuan ini menegaskan pentingnya seleksi fitur dalam meningkatkan efektivitas sistem deteksi intrusi dan memberikan kontribusi signifikan dalam pengembangan strategi keamanan siber yang lebih efisien. Kata kunci: IDS, Mutual Information, CICIDS2017, Seleksi fitur
Co-Authors Aditya, Bima afrisawati, Afrisawati Aidil Syah Putra Ananda, Riki Ardana, Astrid Dea Arifin, Nadira Meutia Dalimunthe, Ruri Ashari Dewi ANGGRAENI Herman Saputra Irianto Irianto Kurnia Sirni, Dian Yudha Lubis, Adi Prijuna Mahyudin, Dimas Maulana, Cecep mudya, Ajrian Pra Muhammad Wahi Butar-Butar Mustika Fitri Larasati Sibuea Nasution, Akmal Nofriadi Nofriadi Permana, Yogi Abimanyu Rafly, Muhammad Rahayu, Elly Ramdhan, William Ruri Ashari Dalimunthe Setiawan, Muhammad Iqbal Sholat, Junaidi Siagian, Candra Pratama Silfiana, Silfiana Yusda, Riki Andri Zein, Jihan Raihan