Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal on Education Aisyah Journal of Informatics and Electrical Engineering
Ahmad Fauzi
Universitas Amikom Yogyakarta
Computer Science & IT Education Electrical & Electronics Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Journal on Education

 1 
Penerapan Random Forest dan Adaboost untuk Klasifikasi Serangan DDoS Ahmad Fauzi; Ema Utami; Anggit Dwi Hartanto
Journal on Education Vol 5 No 3 (2023): Journal on Education: Volume 5 Nomor 3 Tahun 2023
Publisher : Departement of Mathematics Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joe.v5i3.1582

Abstract

Among the different types of attacks in the field of Information Technology, DDOS attacks are one of the biggest threats to internet sites and pose a devastating risk to the security of computer systems, mainly due to their potential impact. Hence why research in this area is growing rapidly, with researchers focusing on new ways to address intrusion detection and prevention. Machine learning and Artificial Intelligence are some of the latest additions to the list of technologies studied to perform intrusion detection classification. This study explores the behavior and application of DDoS datasets for machine learning in the context of intrusion detection. The flow in this study, first is to collect raw DDoS datasets from reputable sources. After the data is obtained, the final data set is created for modeling. Data management involves data cleansing, data type transformation and data exchange on data collection. The selection process is accompanied by a model. Two separate algorithms, random and adaboost, are used to train a model with a dataset. The model is validated and retrained with a k-fold cross. The model was eventually evaluated using invisible data. The result is determined by various output sizes. In the experiment, DDoS datasets were used: CICDDoS_2019 The intrusion detection performance of this dataset was analyzed using two machine learning models. The dataset is divided in an 80:20 ratio for model training, validation and testing. Machine learning models are selected systematically and carefully to ensure that experiments are conducted in the right way. The results were analyzed using a set of performance metrics, including accuracy, precision, recall, f-measure, and compute time
DDoS Penerapan Random Forest dan Adaboost untuk Klasifikasi Serangan DDoS Ahmad Fauzi; Ema Utami; Anggit Dwi Hartanto
Journal on Education Vol 5 No 3 (2023): Journal on Education: Volume 5 Nomor 3 Tahun 2023
Publisher : Departement of Mathematics Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/joe.v5i3.1920

Abstract

Di antara berbagai jenis serangan di bidang Teknologi Informasi, serangan DDOS adalah salah satu ancamanterbesar bagi situs internet dan menimbulkan risiko yang menghancurkan keamanan sistem komputer, terutamakarena potensi dampaknya. Oleh karena itu mengapa penelitian di bidang ini berkembang pesat, dengan parapeneliti yang berfokus pada cara-cara baru untuk mengatasi deteksi dan pencegahan intrusi. Machine learningdan Artificial Intelligent adalah beberapa tambahan terbaru dalam daftar teknologi yang diteliti untukmelakukan klasifikasi deteksi intrusi. Studi ini mengeksplorasi perilaku dan penerapan dataset DDoS untukpembelajaran mesin dalam konteks deteksi intrusi. Alur dalam penelitian ini, pertama adalah mengumpulkandataset DDoS mentah dari sumber yang memiliki reputasi baik. Setelah data diperoleh, kumpulan data akhirdibuat untuk pemodelan. Manajemen data melibatkan pembersihan data, transformasi tipe data dan pertukarandata pada pengumpulan data. Proses seleksi disertai dengan model. Dua algoritma terpisah, random danadaboost, digunakan untuk melatih model dengan dataset. Model divalidasi dan dilatih ulang dengan k-foldcross. Model tersebut akhirnya dievaluasi menggunakan data yang tidak terlihat. Hasilnya ditentukan olehberbagai ukuran keluaran. Dalam percobaan, dataset DDoS digunakan: CICDDoS_2019 Performa deteksiintrusi set data ini dianalisis menggunakan dua model pembelajaran mesin. Dataset dibagi dalam rasio 80:20untuk pelatihan model, validasi dan pengujian. Model pembelajaran mesin dipilih secara sistematis dan hatihatiuntuk memastikan bahwa eksperimen dilakukan dengan cara yang tepat. Hasilnya dianalisis menggunakansekumpulan metrik performa, termasuk akurasi, presisi, recall, f-measure, dan waktu komputasi.
Co-Authors Anggit Dwi Hartanto Dimaz Arno Prasetio Ema Utami Kusnawi Kusnawi