<![CDATA[Seleksi fitur merupakan salah satu fokus penelitian pada data mining untuk dataset yang memiliki atribut yang relatif banyak. Dengan menghilangkan beberapa atribut yang tidak relevan terhadap kelas label akan dapat meningkatkan kinerja algoritma klasifikasi. Algoritma FVBRM merupakan salah satu algoritma untuk mencari fitur yang tidak relevan terhadap kelas label. Algoritma ini menggunakan teknik wrapper untuk menghilangkan atribut yang tidak relevan. Penelitian ini bertujuan untuk mengimplementasikan seleksi fitur menggunakan algoritma FVBRM terhadap dataset deteksi intrusi NSL KDD yang memiliki jumlah atribut relative banyak. Dataset dengan atribut terpilih akan diuji menggunakan algoritma klasifikasi naive bayes. Evaluasi dilakukan dengan melihat tingkat akurasi klasifikasi yang dihasilkan tanpa seleksi fitur dengan akurasi klasifikasi yang dihasilkan setelah implementasi seleksi fitur. Eksperimen klasifikasi dilakukan dengan dua cara yaitu binary classification (serangan atau bukan serangan) dan lima kelas klasifikasi yaitu dos, r2l, u2r, probe dan normal. Eksperimen dilakukan menggunakan library data mining dilingkungan Weka menggunakan 10 fold validation. Hasil eksperimen menunjukkan bahwa dengan implementasi seleksi fitur menggunakan algoritma FVBRM dapat meningkatkan akurasi klasifikasi menjadi 90,81% untuk dataset dengan 2 kelas label dan 86,55% untuk dataset dengan 5 kelas label.]]>
Copyrights © 2018
