Publisher

FKPTFKPT

Journal Bulletin of Information Technology (BIT)Bulletin of Information Technology (BIT) Abstract

Serangan Distributed Denial of Service (DDoS) merupakan ancaman serius bagi keamanan jaringan, sementara metode deteksi tradisional seperti threshold-based detection dan signature-based detection memiliki keterbatasan dalam mengenali pola serangan baru maupun anomali lalu lintas yang kompleks. Penelitian ini bertujuan merancang dan mengimplementasikan model prediksi serangan DDoS berbasis algoritma Random Forest yang mampu membedakan trafik normal dan berindikasi serangan secara akurat. Pendekatan Research and Development (R&D) digunakan, meliputi studi literatur, perancangan model, implementasi, serta evaluasi performa menggunakan metrik akurasi, precision, recall, F1-score, confusion matrix, dan learning curve. Berdasarkan hasil evaluasi, model Random Forest menunjukkan kinerja sangat baik dengan akurasi 0,99942 (99,942%). Precision untuk kelas 0 dan 1 masing-masing sebesar 0,99979 dan 0,99884, sedangkan recall mencapai 0,99928 untuk kelas 0 dan 0,99966 untuk kelas 1. Nilai F1-score tinggi, yaitu 0,99953 untuk kelas 0 dan 0,99925 untuk kelas 1, dengan macro average F1-score sebesar 0,99939 dan weighted average sebesar 0,99942, menunjukkan keseimbangan performa pada kedua kelas. Confusion Matrix menunjukkan kesalahan klasifikasi rendah (44 false positive dan 13 false negative dari 99.066 sampel). Analisis learning curve mengungkapkan akurasi pelatihan stabil di atas 0,998, sedangkan akurasi validasi meningkat dari 0,986 pada 10.000 data hingga di atas 0,998 pada 80.000 data, dengan jarak antarkurva semakin kecil. Pola ini menandakan model mampu memanfaatkan data tambahan untuk meningkatkan generalisasi tanpa gejala overfitting atau underfitting. Temuan ini membuktikan bahwa model Random Forest yang dirancang dapat menjadi solusi deteksi dini serangan DDoS yang andal, adaptif, dan berpotensi diintegrasikan dalam sistem keamanan jaringan secara real-time.

Conclusion

Penelitian ini berhasil merancang dan mengevaluasi model prediksi serangan Distributed Denial of Service (DDoS) berbasis algoritma Random Forest yang menunjukkan performa klasifikasi sangat tinggi.Model ini mampu membedakan antara trafik jaringan normal dan serangan DDoS dengan akurasi mencapai 99,94%, serta memiliki tingkat kesalahan klasifikasi yang sangat rendah.Hasil ini mengindikasikan bahwa model Random Forest yang dikembangkan dapat menjadi solusi deteksi dini yang andal dan adaptif untuk meningkatkan keamanan jaringan.

Future Research

Berdasarkan hasil penelitian ini, terdapat beberapa saran untuk penelitian lanjutan yang dapat dilakukan. Pertama, perlu dilakukan eksplorasi lebih lanjut mengenai teknik optimasi parameter secara otomatis, seperti grid search atau random search, untuk menemukan konfigurasi hiperparameter yang lebih optimal dan meningkatkan performa model. Kedua, penting untuk menguji model pada berbagai dataset yang lebih beragam, termasuk dataset yang berasal dari lingkungan jaringan yang berbeda, guna meningkatkan generalisasi dan keandalannya dalam menghadapi variasi serangan DDoS yang lebih kompleks. Ketiga, penelitian selanjutnya dapat difokuskan pada pengembangan sistem deteksi DDoS yang bersifat real-time dan terintegrasi dengan infrastruktur keamanan jaringan yang ada, sehingga dapat memberikan respons yang cepat dan efektif terhadap ancaman serangan. Dengan demikian, model prediksi serangan DDoS berbasis Random Forest dapat menjadi solusi yang lebih komprehensif dan adaptif dalam menjaga keamanan sistem informasi dan jaringan.

References

1. PENGEMBANGAN FRAMEWORK DATA MINING BERBASIS DEEP NEURAL NETWORK DENGAN EKSPLORASI TEKNIK TRANSFER LEARNING... doi.org/10.56486/jris.vol5no1.723PENGEMBANGAN FRAMEWORK DATA MINING BERBASIS DEEP NEURAL NETWORK DENGAN EKSPLORASI TEKNIK TRANSFER LEARNING doi 10 56486 jris vol5no1 723
2. Analisis Deteksi Dini Penyakit Jantung dengan Pendekatan Support Vector Machine pada Data Pasien | Arus... doi.org/10.57250/ajst.v2i2.669Analisis Deteksi Dini Penyakit Jantung dengan Pendekatan Support Vector Machine pada Data Pasien Arus doi 10 57250 ajst v2i2 669
3. | Alfarez | Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI). alfarez jurnal riset aplikasi mahasiswa... doi.org/10.30998/jrami.v5i2.8556Alfarez Jurnal Riset dan Aplikasi Mahasiswa Informatika JRAMI alfarez jurnal riset aplikasi mahasiswa doi 10 30998 jrami v5i2 8556
4. TAKSONOMI PERTAHANAN CYBER SECURITY MENGGUNAKAN MODEL CYBER KILL CHAIN | Slamet | SPIRIT. taksonomi pertahanan... jurnal.stmik-yadika.ac.id/index.php/spirit/article/view/332TAKSONOMI PERTAHANAN CYBER SECURITY MENGGUNAKAN MODEL CYBER KILL CHAIN Slamet SPIRIT taksonomi pertahanan jurnal stmik yadika ac index php spirit article view 332

Metadata

File size	319.86 KB
Pages	10
DMCA	Report