Dipilih dari software, topik, dan level “Kelas Deteksi Intrusi Jaringan IoT Hybrid ML #5: Hybrid: Autoencoder (Anomali) + XGBoost (Klasifikasi Serangan)”.
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, sistem hybrid yang menggabungkan XGBoost dan autoencoder. Detection rate naik dari 66 menjadi 87%, dan serangan Zero-Di yang terdeteksi naik dari 37 menjadi 80%. Ayo kita mulai. Halo, selamat datang di episode kelima seri deteksi intrusi jaringan IoT dengan hybrid machine learning. XGBoost hebat mengenali serangan yang pernah dilihatnya dan jarang salah alarm, sedangkan autoencoder bisa mencium serangan baru. Hari ini kita menggabungkan keduanya menjadi sistem dua lapis, arsitektur yang banyak dipakai di penelitian I-DS Modern.
Langkah 1: Sistem hybrid dua lapis
Buat file hybrid.py Kita muat model XGBoost dan autoencoder dari episode lalu, lalu hitung kelas prediksi XGBoost dan skor anomali setiap koneksi uji. Kita juga menandai serangan Zero-Di, yaitu koneksi uji yang jenis serangannya tidak pernah ada di data latih. Fungsi hybrid bekerja dua lapis. Bila XGBoost menyebut serangan, kategorinya dipakai. Bila XGBoost menyebut normal tetapi galat autoencoder melebihi ambang, koneksi itu diberi label anomali baru. Lalu kita bandingkan empat konfigurasi. Jalankan XGBoost saja mendeteksi 65,6 persen serangan dan hanya 37 persen serangan Zero-Di. Autoencoder saja 81,6 persen. Hybrid dengan ambang persentil 95 mendeteksi 86,7 persen serangan dan 80 persen Zero-Di, dengan akurasi tertinggi 0,879. Dengan persentil 99, false alarm turun ke 7,8 persen tetapi deteksi turun ke 75 persen.
Langkah 2: Kurva deteksi & per kategori
Lanjutkan dengan grafik, kita geser ambang dari persentil 50 sampai 99,9 untuk menggambar kurva detection rate terhadap false alarm, serta diagram deteksi per kategori. Mari lihat grafiknya. Kurva hybrid selalu di atas autoencoder saja, artinya pada false alarm yang sama, hybrid selalu mendeteksi lebih banyak serangan, dan bintang XGBoost berada di bawah kedua kurva. Diagram kanan memperlihatkan lompatan terbesar pada U2R dan R2L, kategori yang paling banyak berisi serangan baru. Pilihan ambang adalah keputusan operasional, jaringan rumah sakit mungkin memilih deteksi tinggi, sedangkan pusat data yang sibuk memilih false alarm rendah.
Selesai!
Selesai. Kita sudah membangun sistem hybrid autoencoder dan XGBoost, menganalisis kompromi deteksi dan false alarm, serta membuktikan keunggulannya terhadap serangan Zero Day. Di episode terakhir kita mengevaluasinya secara menyeluruh dan membuat dashboard monitoring. 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 Zero Day dan dashboard monitoring, serta membuka kursus pemrograman Python untuk teknik elektro dan informatika. ingin menguasai seluruh seri ini? dari data set intrusi sampai sistem hybrid yang siap dipantau? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah, data set, 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 cerdasinovasidigital.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
52 kelas video1.277 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.
