Abstrak

Pertumbuhan implementasi teknologi digital yang semakin luas menciptakan permasalahan baru yaitu keamanan data. Untuk menjaga kerahasiaan data, mendorong terciptanya sebuah sistem hybrid keamanan baru, yaitu Intrusion Detection System ( IDS ) dan klasifikasi machine learning. Dalam proses klasifikasi untuk membuat model diperlukan proses data learning. Proses learning dalam klasifikasi akan sebanding dengan jumlah data yang diproses. Semakin besar data maka akan membutuhkan waktu dan resource yang semakin tinggi. Terkait dengan upaya untuk mengatasi masalah resource yang tinggi dapat dilakukan dengan teknik reduksi data. Beberapa penelitian yang dilakukan memiliki beberapa kekurangan, diantaranya pengambilan sampel dapat mengecualikan data yang mungkin tidak homogen dengan data yang diambil. Pada penelitian ini mengusulkan metode pendekatan density dengan modifikasi algoritma Density-Based Spatial Clustering of Applications with Noise ( DBSCAN ). Pendekatan density dipilih yang bertujuan untuk mengatasi permasalahan homogenitas data setelah direduksi terhadap data aslinya. Modifikasi yang dilakukan yaitu menambahkan satu parameter minNeighborhood yang digunakan untuk menentukan jarak kepadatan terhadap titik pusat cluster, yang selanjutnya akan ditandai untuk dihapus. Dilakukan 2 skenario percobaan pemisahan label untuk mengetahui pengaruh pemisahan label pada proses reduksi data, didapatkan bahwa modifikasi DBSCAN dapat mengatasi permasalahan inkonsistensi perbandingan rasio data yang mungkin terjadi. Modifikasi DBSCAN yang dilakukan memberikan hasil baik yang ditunjukan dengan dapat mempertahankan akurasi klasifikasi diatas 90%. Dari 8 skenario percobaan reduksi data pada data terendah yaitu 80%, akurasi dapat dipertahankan dari 99.364% menjadi  92.28%.

Keywords    : Network Intrusion Detection, Density-Based Spatial Clustering Of Applications With Noise, Reduksi Data