Analisis Performa Teknik Resampling untuk Mengatasi Ketidakseimbangan Data Latih pada Model Deteksi Intrusi Jaringan

Abstract

Pesatnya perkembangan koneksi jaringan menyebabkan peningkatan aktivitas pada lalu lintas jaringan. Lonjakan tersebut menimbulkan tantangan baru di dunia maya sehingga rentan terhadap serangan siber. Untuk mengatasi tantangan ini, para peneliti telah beralih ke teknik cerdas seperti machine learning untuk meningkatkan kualitas deteksi serangan pada lalu lintas jaringan. Namun, muncul fenomena yang dikenal sebagai ketidakseimbangan data. Salah satu penyebab terjadinya fenomena ini adalah distribusi kelas yang tidak merata, di mana dalam kasus deteksi intrusi jaringan terjadi ketidakseimbangan antarkelas serangan, yang membuat performa klasifikasi dari model machine learning menjadi kurang optimal. Untuk mengatasi ketidakseimbangan kelas pada data, dapat digunakan teknik resampling. Terdapat berbagai teknik resampling yang dapat digunakan, sehingga diperlukan analisis terhadap teknik resampling yang digunakan. Pada penelitian ini, digunakan berbagai teknik resampling seperti ADASYN, Borderline SMOTE, Random Oversampling, Random Undersampling, SMOTE, SMOTE-Tomek, SVM-SMOTE, dan Tomek Links. Penelitian ini menggunakan dataset UNSW-NB15 untuk melatih dan menguji beberapa macam model Network Intrusion Detection, di antaranya adalah model dengan algoritma Decision Tree, Random Forest, Gradient Boosting, XGBoost, dan 1D-CNN. Berdasarkan hasil analisis yang telah dilakukan, ditemukan bahwa penerapan teknik resampling terbukti memengaruhi performa dari model machine learning dan deep learning. Performa terbaik didapatkan dari penerapan teknik Tomek Links pada model 1D-CNN dengan skor akurasi 75.27%, skor presisi 87.58%, dan F1-score 76.22%. Sementara itu, skor recall terbaik didapatkan dari model 1D-CNN tanpa resampling, yaitu dengan skor recall sebesar 67.57%. Hasil penelitian ini diharapkan dapat memberikan pengetahuan yang dapat membantu peneliti dan engineer untuk mengetahui kelebihan dan kekurangan teknik resampling yang akan digunakan dalam pengembangan model deteksi jenis serangan pada lalu lintas jaringan.