Dipilih dari software, topik, dan level “Kelas Deteksi Intrusi Jaringan IoT Hybrid ML #2: Praproses Data Trafik: Encoding, Scaling, dan Ketidakseimbangan Kelas”.
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, 41 fitur mentah berubah menjadi 122 fitur bernilai 0-1, dan kelas U2R yang hanya 52 sampel kita perbanyak menjadi 3.000 agar tidak diabaikan model. Ayo kita mulai. Halo, selamat datang di episode kedua seri deteksi intrusi jaringan IoT dengan Hybrid Machine Learning. Data trafik mentah tidak bisa langsung dimasukkan ke model. Ada fitur teks, rentang nilai yang berbeda jauh, dan kelas yang sangat tidak seimbang. Hari ini kita membereskan ketiganya dengan benar.
Langkah 1: Encoding, log & scaling
Buat file praproses.py Fitur protocoll type, service, dan flag berupa teks, jadi kita ubah dengan one-hot encoding. Setiap nilai menjadi kolom sendiri bernilai 0 atau 1. Data latih dan uji digabung sementara agar kolomnya sama. Fitur seperti byte dan durasi punya rentang dari 0 sampai miliaran, jadi kita kompres dengan log 1 plus X. Lalu minmax scaler mengubah semua fitur ke rentang 0 sampai 1. Dan pentingnya, scaler hanya di-fit pada data latih agar tidak ada kebocoran informasi dari data uji.
Langkah 2: Oversampling kelas minoritas
Fungsi oversampling menangani ketidakseimbangan kelas. Untuk setiap kelas yang sampelnya kurang dari 3.000, kita duplikasi sampel acak dari kelas itu sampai 3.000. Dengan begitu model tidak bisa mendapat akurasi tinggi hanya dengan mengabaikan kelas kecil. Oversampling hanya dilakukan pada data latih, tidak pernah pada data uji.
Langkah 3: Memeriksa hasil praproses
Buat file cek underscore praproses.py dan jalankan. 41 fitur mentah menjadi 122 fitur, 3 protocol, 70 service, dan 11 flag, ditambah fitur numerik. 10 fitur berentang lebar di transformasi log, misalnya duration, srcb test, dan dstb test. Setelah oversampling, R2L naik dari 995 menjadi 3.000 sampel dan U2R dari 52 menjadi 3.000. Sedangkan kelas besar tidak berubah.
1 Langkah 4: Sebelum & sesudah praproses
Mari lihat grafiknya. Histogram srcb test mentah hampir semuanya menumpuk di 0 dengan beberapa nilai hingga 1,4 miliar. Setelah log dan minmax, distribusinya menyebar di rentang 0 sampai 1 sehingga perbedaan kecil antar koneksi terlihat. Diagram kanan memperlihatkan kelas R2L dan U2R yang kini cukup besar untuk dipelajari.
Selesai!
Selesai. Kita sudah melakukan one-hot encoding, transformasi log, minmax scaling tanpa kebocoran, dan oversampling kelas minoritas. Di episode berikutnya kita memilih fitur yang paling informatif dengan mutual information dan PCA. Sedang menyusun skripsi, tesis, atau riset di bidang keamanan jaringan dan machine learning? Cerdas inovasi digital membantu implementasi sistem deteksi intrusi, dari praproses trafik jaringan, seleksi fitur, random forest dan XGBoost, sampai autoencoder untuk serangan 0DI dan dashboard monitoring, serta membuka kursus pemrograman Python untuk teknik elektro dan informatika. Ingin menguasai seluruh seri ini, dari detaset intrusi sampai sistem hybrid yang siap dipantau? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah, detaset, dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.286 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
