Analisa Komparasi Algoritma SVM, Random Forest dan MLP-NN Untuk Klasifikasi Intrusi Perimeter Berbasis Getaran

Abstrak

Kebutuhan akan sistem keamanan perimeter semakin penting dalam menghadapi risiko penyusupan yang terus meningkat terhadap berbagai infrastruktur. Penelitian ini bertujuan mengkomparasi performa algoritma klasifikasi Support Vector Machine (SVM), Random Forest, dan Multi-Layers Perceptron Neural Network (MPL-NN) dalam memisahkan kelas data intrusi dan non-intrusi yang terekam dalam sensor getar SW-420 yang dipasang di pagar perimeter. Protokol komunikasi Message Queuing Telemetry Transport (MQTT) digunakan guna menghubungkan sensor dengan program yang merekam dataset. Pengumpulan data dilakukan melalui simulasi berbagai skenario getaran, seperti upaya penyusupan (intrusi) dan gangguan lingkungan (non-intrusi). Teknik normalisasi dan label encoding diterapkan untuk membantu algoritma dalam membaca fitur penting di setiap data poin. Hasil penelitian menunjukkan dari tiga algoritma tersebut Random Forest memiliki nilai akurasi yang lebih tinggi dengan nilai 97% disusul algoritma MLP-NN aktivasi Tanh dengan nilai akurasi 93%. Sedangkan algoritma SVM dengan kernel RBF memiliki nilai 90,5%. Artinya algoritma Random Forest memliki performa yang baik dalam mengkategorikan getaran.

Identifier

• DOI: https://doi.org/10.28926/briliant.v11i1.2285
• OpenAlex: https://openalex.org/W7132847316