Perbandingan Kinerja Algoritma K-Nearest Neighbors (K-NN) Dan Decision Tree dalam Deteksi Paket Malis pada Jaringan

STRING (Satuan Tulisan Riset dan Inovasi Teknologi) Pub Date : 2024-04-05 DOI:10.30998/string.v8i3.22362

Bib Nugraha Kasmara, Endah Tri Esti Handayani, Novi Dian Nathasia

引用次数: 0

Abstract

Penelitian ini bertujuan untuk melakukan klasifikasi terhadap data paket malis dan membandingkan performa dua algoritma, yaitu K-Nearest Neighbor (K-NN) dan Decision Tree (DT). Dataset UNSW-NB15 yang digunakan untuk penelitian ini telah melalui tahap preprocessing, feature selection, dan data split. Tahap preprocessing termasuk transformasi data dan pemilihan fitur yang relevan untuk mendeteksi paket malis. Selanjutnya, eksperimen dilakukan untuk menguji variasi nilai K pada K-NN dan mengukur akurasi, recall, precision, dan F1-Score. Hasilnya menunjukkan bahwa K-NN memiliki akurasi 91.54%, sedangkan DT memiliki 92.41%. Kesimpulan dari penelitian ini menunjukkan bahwa algoritma Decision Tree (DT) memiliki kinerja yang sedikit lebih baik daripada K-Nearest Neighbor (K-NN) dalam mendeteksi paket malis. Oleh karena itu, dalam memilih algoritma untuk deteksi keamanan jaringan, penting

查看原文本刊更多论文

K-NN 算法和决策树算法在网络恶意软件检测中的性能比较

本研究旨在对恶意软件包数据进行分类，并比较 K-Nearest Neighbor (K-NN) 和决策树 (DT) 两种算法的性能。本研究使用的 UNSW-NB15 数据集经过了预处理、特征选择和数据拆分等阶段。预处理阶段包括与检测恶意软件包相关的数据转换和特征选择。接下来，实验测试了 K-NN 中 K 值的变化，并测量了准确率、召回率、精确率和 F1 分数。结果显示，K-NN 的准确率为 91.54%，而 DT 的准确率为 92.41%。这项研究的结论表明，在检测恶意数据包方面，决策树（DT）算法的表现略好于 K-近邻（K-NN）算法。因此，在选择网络安全检测算法时，重要的是

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

STRING (Satuan Tulisan Riset dan Inovasi Teknologi)

自引率

0.00%

发文量