UPPUPP

Riau Jurnal Teknik InformatikaRiau Jurnal Teknik Informatika

Serangan Distributed Denial of Service (DDoS) masih menjadi salah satu ancaman utama terhadap ketersediaan layanan jaringan karena mampu menghasilkan lalu lintas dalam volume besar yang sulit dibedakan dari aktivitas normal. Penelitian ini mengusulkan pendekatan Explainable Ensemble Learning untuk mendeteksi serangan DDoS menggunakan dataset CIC-DDoS2019. Kerangka kerja yang dikembangkan mengintegrasikan seleksi fitur berbasis Mutual Information untuk memilih 20 fitur paling relevan, penyeimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE), serta Voting Ensemble yang terdiri atas Random Forest, XGBoost, dan LightGBM. Evaluasi model dilakukan menggunakan train-test split 70:30 dengan metrik Accuracy, Precision, Recall, F1-score, dan ROC-AUC. Hasil eksperimen menunjukkan Accuracy sebesar 99,80%, F1-score 99,79%, dan ROC-AUC 0,9999. Analisis SHAP mengidentifikasi Avg_Packet_Size dan fitur-fitur berbasis panjang paket sebagai prediktor paling berpengaruh, sehingga meningkatkan performa deteksi sekaligus interpretabilitas model. Hasil penelitian menunjukkan bahwa integrasi Ensemble Learning dan Explainable Artificial Intelligence mampu menghasilkan sistem deteksi DDoS yang akurat, andal, dan transparan.

Penelitian ini menunjukkan bahwa integrasi Mutual Information, SMOTE, dan Ensemble Learning meningkatkan efektivitas deteksi DDoS pada dataset CIC-DDoS2019.9999, sedangkan LightGBM menunjukkan konsistensi terbaik dalam deteksi serangan.Penerapan XAI melalui SHAP meningkatkan transparansi model, mengidentifikasi fitur penting seperti Avg_Packet_Size, Fwd_Packet_Length_Mean, dan Flow_IAT_Mean.

1. Mengeksplorasi penggunaan teknik explainable AI lain selain SHAP untuk meningkatkan interpretasi model deteksi DDoS. 2. Mengembangkan pendekatan ensemble yang lebih adaptif untuk menangani perubahan pola serangan DDoS secara real-time. 3. Mengintegrasikan data dari berbagai sumber untuk meningkatkan keakuratan dan keandalan sistem deteksi DDoS.

  1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/10.1007/978-981-99-3691-5_34Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer 10 1007 978 981 99 3691 5 34
  2. Random Forest Algorithm Overview | Babylonian Journal of Machine Learning. random forest algorithm overview... doi.org/10.58496/bjml/2024/007Random Forest Algorithm Overview Babylonian Journal of Machine Learning random forest algorithm overview doi 10 58496 bjml 2024 007
  3. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/s10489-025-06762-1Client Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 s10489 025 06762 1
Read online
File size812.22 KB
Pages16
DMCAReport

Related /

ads-block-test