IMPLEMENTASI METODE BACKPROPAGATION UNTUK MEMPREDIKSI GEJALA VIRUS BRONTOK

22043566, Widi Arumi (2011) IMPLEMENTASI METODE BACKPROPAGATION UNTUK MEMPREDIKSI GEJALA VIRUS BRONTOK. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 22043566_bab1_bab5_daftarpustaka.pdf Download (2MB)
	Text (Skripsi Informatika) 22043566_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (4MB) | Request a copy

Abstract

Gangguan pada komputer tidak saja disebabkan oleh kerusakan atau kesalahan teknis pada piranti keras dan piranti lunak. Virus dan Spyware adalah gangguan pada komputer yang disebabkan oleh pihak eksternal. Pada bulan Oktober 2005, pengguna komputer sempat dipusingkan dengan penyebaran Virus Brontok, yaitu virus lokal yang menyebarkan dirinya melalui mass mailing (email massal). Penelitian ini bertujuan untuk mengetahui bagaimana melakukan prediksi gejala komputer terinfeksi Virus Brontok dengan menggunakan jaringan syaraf tiruan backpropagation. Dari 40 data yang diperoleh, akan diambil 30 data untuk pelatihan sistem dengan nilai target 1, 0, dan 0,5. Sedangkan 10 data sisanya akan dipakai untuk uji coba pada sistem. Target 0 merupakan representasi output dari tidak terinfeksi Virus Brontok, target 0,5 merupakan representasi output dari kemungkinan terinfeksi Virus Brontok, dan target 1 merupakan representasi output dari terinfeksi Virus Brontok. Hasil penelitian menunjukkan kemampuan pengenalan pola yang dimiliki jaringan syaraf tiruan dapat digunakan untuk memprediksi Virus Brontok berdasarkan gejala-gejala awal yang diketahui dan dari data-data gejala Virus Brontok yang dilatihkan kepada jaringan. Rata-rata target output yang diinginkan lebih mendekati ketepatan hingga 100% dalam melakukan pengujian karena terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan. Nilai toleransi error berpengaruh terhadap prosentase rata-rata ketepatan pengenalan pola pada proses testing, semakin besar nilai toleransi error maka prosentase ketepatan testing akan semakin kecil. Sedangakan semakin besar nilai Learning Rate akan semakin memperkecil jumlah epoh sehingga proses training pun akan sangat cepat.

Actions (login required)

View Item