Publisher

UNITOMOUNITOMO

Journal Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan KomunikasiInform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi Abstract

Peran Sistem Deteksi Intrusi (IDS) dalam melindungi jaringan dari peningkatan tahapan serangan siber sangat penting. Namun, model pembelajaran mesin tunggal cenderung tidak efektif akibat ketidakseimbangan data, variabilitas pola serangan, dan ambiguitas lalu lintas jaringan. Untuk mengatasi masalah ini, makalah ini memperkenalkan arsitektur IDS hibrida berbasis Support Vector Machine (SVM) dan Random Forest (RF) dengan fusi bukti menggunakan Dempster‑Shafer Theory (DST). Strategi ini memanfaatkan deteksi batas berkualitas tinggi SVM serta kekuatan ensemble RF. Pada saat yang sama, DST menawarkan pendekatan prinsip untuk menangani ketidakpastian dan mengintegrasikan bukti yang bertentangan. Sebagai benchmark, dataset CSE‑CIC‑IDS2018, yang berisi aliran lalu lintas berlabel benign dan serangan ganda, digunakan. Partisi train‑test berstrata dengan seed acak tetap, standardisasi fitur, dan penyeimbangan kelas menggunakan Synthetic Minority Oversampling Technique (SMOTE) dipertimbangkan sebagai langkah pra‑proses data untuk RF. SVM yang dilatih dan dioptimalkan dengan RAPIDS cuML pada GPU dioptimalkan melalui pencarian grid atas hyperparameter terpilih. Untuk menyatukan kekuatan model, kami mengintegrasikan output klasifier menggunakan Dempster‑Shafer Theory (DST), yang mengubah output probabilistik menjadi penugasan kepercayaan dan menghasilkan keputusan akhir berdasarkan penugasan kepercayaan dengan nilai tertinggi. Model menunjukkan kemampuan prediktif tinggi, seperti yang dibuktikan oleh hasil eksperimen. Fusi berbasis DST melampaui dua klasifier individu, mencapai akurasi 97,84 %, presisi 97,41 %, recall 94,96 %, dan skor F1 96,17 %. Makalah ini menunjukkan bahwa penggabungan klasifier menggunakan DST menghasilkan peningkatan substansial dibandingkan metode model tunggal. Ini merupakan kebaruan penggunaan fusi IDS berbasis DST untuk meningkatkan ketahanan dan deteksi seimbang. Hasil ini menegaskan nilai fusi berbasis DST dalam meningkatkan kinerja IDS. Hasil tersebut juga mengonfirmasi bahwa menggabungkan SVM dan RF dengan DST menghasilkan IDS yang lebih kuat dan dapat diandalkan. Selain meningkatkan kemampuan penemuan ancaman yang tepat, pendekatan ini juga memiliki implikasi terhadap kondisi jaringan yang berkembang secara tidak pasti, menyoroti kesesuaiannya untuk aplikasi keamanan siber dunia nyata.

Conclusion

Penelitian ini menunjukkan bahwa model fusi Dempster‑Shafer (DST) yang menggabungkan klasifier SVM dan Random Forest meningkatkan akurasi, presisi, dan skor F1 IDS dibandingkan masing-masing klasifier tunggal.Strategi fusi tersebut mengurangi false positives dengan memberikan bobot lebih pada prediksi yang saling bertentangan, meskipun skala data besar dan penanganan ketidakpastian masih menjadi tantangan.Penelitian selanjutnya disarankan untuk mengembangkan DST dengan massa ketidakpastian non‑nol serta mengintegrasikannya dengan model deep learning untuk meningkatkan kemampuan deteksi ancaman yang kompleks secara real‑time.

Future Research

Penelitian selanjutnya dapat mengeksplorasi integrasi teori Dempster‑Shafer dengan arsitektur jaringan saraf dalam, seperti convolutional neural networks atau transformer, untuk menghasilkan sistem IDS yang mampu mempelajari representasi fitur secara mendalam sekaligus mengelola ketidakpastian bukti; pertanyaan risetnya adalah bagaimana pengaruh kombinasi DST‑deep learning terhadap deteksi serangan zero‑day pada dataset yang sangat beragam. Selain itu, diperlukan pengembangan kerangka kerja DST berbasis streaming yang memperbarui penugasan kepercayaan secara real‑time per paket jaringan, sehingga dapat menilai trade‑off antara latensi deteksi dan skalabilitas pada trafik jaringan berskala besar; studi ini harus menguji performa sistem pada lingkungan produksi dengan beban traffic tinggi. Selanjutnya, penambahan massa ketidakpastian non‑nol dalam model DST dapat memberikan representasi yang lebih realistis untuk bukti yang ambigu, dan penelitian harus menyelidiki sejauh mana pendekatan ini meningkatkan keseimbangan antara presisi dan recall, khususnya pada dataset yang sangat tidak seimbang dan pada kelas serangan minoritas.

References

1. Dempster-Shafer theory for intrusion detection in ad hoc networks | IEEE Journals & Magazine | IEEE... ieeexplore.ieee.org/document/1541944Dempster Shafer theory for intrusion detection in ad hoc networks IEEE Journals Magazine IEEE ieeexplore ieee document 1541944
2. Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi. enhancing intrusion detection systems... ejournal.unitomo.ac.id/index.php/inform/article/view/11075Inform Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi enhancing intrusion detection systems ejournal unitomo ac index php inform article view 11075

Metadata

File size	547.68 KB
Pages	8
DMCA	Report