Analisa Dataset Software Defined Network Intrusion Menggunakan Algoritma Deep Learning H2o

Abstract

Software-defined networking Intrusion (SDNI) baru-baru ini menjadi salah satu solusi paling menjanjikan untuk Internet masa depan. Dengan sentralisasi logis dari pengontrol dan tampilan jaringan global, SDN Intrusion menawarkan peluang untuk meningkatkan keamanan jaringan. Pada penelitian sebelumnya oleh Omar Jamal Ibrahim, dan Wesam S. Bhaya menjelaskan tentang dataset SDN intrusion bahwa dengan menggunakan algoritma Support Vector Machine (SVM) diperoleh dengan nilai akurasi sebesar 97.77%, sehingga menurut peneliti ini masih bisa untuk di kaji lagi dengan menggunakan algortima yang berbeda. Sebagai proses pencarian informasi dari sekumpulan data yang akan dijadikan pengetahuan baru dapat dimanfaatkan maka dari itu data mining juga seringkali dikenal dengan sebutan Knowledge Discovery in Database (KDD). Metode klasifikasi yang digunakan yaitu Deep Learning H2O yaitu suatu metode menggunakan algoritma multilayer yang di sebut neural networks. Tujuan dari algoritma ini mencoba untuk mengambil suatu kesimpulan berdasarkan struktur logika yang di berikan secara berkelanjutan. Peneliti menggunakan software aplikasi Rapid Miner sebagai bantuan dalam menganalisis dataset. Dari hasil penelitian terbukti bahwa algoritma Deep Learning H2O yang digunakan lebih baik. Hal ini dibuktikan dengan hasil evaluasi penelitian bahwa algoritma Deep Learning H2O mampu menganalisa nilai recall 100.00% dan tingkat akurasi sebesar 99.66% sehingga model klasifikasi menggunakan algoritma Deep Learning H2O lebih baik saat diterapkan pada dataset yang digunakan