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, dari 122 fitur, kita temukan bahwa 40 fitur terbaik menurut Mutual Information sudah menghasilkan akurasi yang sama, dan 31 komponen PCA sudah memuat 95% informasi. Ayo kita mulai. Halo, selamat datang di episode ketiga seri deteksi intrusi jaringan IoT dengan Hybrid Machine Learning. Pada perangkat IoT dan router dengan daya komputasi terbatas, setiap fitur yang dihitung memakan waktu dan energi. Seleksi fitur membantu kita memilih yang benar-benar penting. Hari ini kita membandingkan dua pendekatan, Mutual Information dan PCA.
Langkah 1: Mutual information & PCA
Buat file seleksi underscore fitur.py. Mutual Information mengukur seberapa banyak informasi sebuah fitur tentang kelas serangan, termasuk hubungan non-linear. Kita hitung pada 20.000 sampel acak agar cepat, cetak 10 fitur teratas, dan simpan 40 fitur terbaik ke file JSON. Lalu PCA mengubah 122 fitur menjadi komponen-komponen yang tidak saling berkorelasi, dan kita cari berapa komponen yang menjelaskan 95% variansi. Jalankan. Fitur paling informatif adalah SRC-B test dengan nilai 0,7, disusul DVSR-V rate, SAMSR-V rate, dan DST-B test, fitur-fitur yang memang membedakan pola koneksi serangan. Hanya 31 komponen PCA yang dibutuhkan untuk 95% variansi.
Langkah 2: Uji Random Forest tiga set fitur
Lanjutkan dengan fungsi uji RF yang melatih random forest 60 pohon dan menghitung F1 makro pada data uji. Lalu kita bandingkan 3 set fitur dan gambar grafiknya. Jalankan. Dengan semua fitur, F1 makro 0,484. Dengan 40 fitur mutual information, 0,482, hampir sama dengan sepertiga jumlah fitur. Dengan 31 komponen PCA, 0,460, sedikit lebih rendah. Nilai F1 yang rendah ini wajar untuk NSL-KAD karena banyak serangan 0DI di data uji, tantangan yang akan kita atasi dengan model hybrid.
Langkah 3: . seleksi fitur
Mari lihat grafiknya. Diagram mutual information memperlihatkan beberapa fitur sangat dominan, lalu menurun perlahan. Kurva PCA naik cepat di 10 komponen pertama lalu melandai. Diagram kanan membandingkan ketiga set fitur. Mutual information mempertahankan akurasi sambil memangkas fitur. Dan karena fiturnya tetap fitur asli, hasilnya mudah ditafsirkan oleh analis keamanan.
Selesai!
Selesai. Kita sudah mengukur kepentingan fitur dengan mutual information, mereduksi dimensi dengan PCA, dan menguji dampaknya pada Random Forest. Di episode berikutnya kita membangun tiga model tunggal. Random Forest, XGBoost, dan Autoencoder. 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 dataset intrusi sampai sistem hybrid yang siap dipantau? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah, dataset, 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. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdas inovasi digital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. 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 video1.278 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.
