Analisis Wrapper-Based Feature Selection Untuk Semi Supervised Anomaly based Intrusion Detection System

Intrusion Detection System (IDS) berperan sebagai pendeteksi berbagai jenis serangan pada jaringan komputer. IDS mengidentifikasi serangan berdasarkan klasifikasi data jaringan. Klasifikasi data yang banyak menyebabkan waktu pemrosesan yang lama dan hasil akurasi rendah. Untuk mengatasi permasalahan ini, penelitian ini menggunakan wrapper feature selection untuk mereduksi fitur pada data. Wrapper bekerja pada dataset yang telah diolah pada tahap preprocessing. Penggunaan wrapper jenis Recursive Feature Elimination (RFE) bertujuan agar fitur pada dataset dipilih secara rekursif lalu diurutkan berdasarkan ranking, kemudian fitur terpilih diterapkan pada data train dan data test. Untuk mengoptimasi klasifikasi, penelitian ini menggunakan klasifikasi Support Vector Machine (SVM). Lebih lanjut lagi, penelitian ini juga melakukan tuning pada parameter classifier dan parameter random_state wrapper. Tujuannya adalah untuk meningkatkan deteksi akurasi. Berdasarkan hasil penelitian, hasil akurasi dengan menggunakan wrapper yaitu 81.275%. Hasil tersebut lebih tinggi dibandingkan dengan metode tanpa wrapper yakni 46.027%. Hal ini menunjukkan bahwa wrapper dan tuning parameter mampu meningkatkan deteksi akurasi