eprintid: 32350
rev_number: 18
eprint_status: archive
userid: 12
dir: disk0/00/03/23/50
datestamp: 2026-07-24 02:27:01
lastmod: 2026-07-24 02:27:01
status_changed: 2026-07-24 02:27:01
type: thesis
metadata_visibility: show
creators_name: Luturmas, Menase Christheovilyo
creators_nim: 21.11.3929
contributors_name: Subektiningsih, Subektiningsih
corp_creators: Universitas AMIKOM Yogyakarta
title: ANALISIS SERANGAN JARINGAN MENGGUNAKAN ALGORITMA RANDOM
FOREST DAN SUPPORT VECTOR MACHINE
ispublished: pub
subjects: 000.000.000A
subjects: 000.000.004
divisions: if
full_text_status: restricted
keywords: DoS, DDoS, Random Forest, Support Vector Machine, Machine Learning.
abstract: Serangan jaringan Denial of Service (DoS) dan Distributed Denial of Service (DDoS)
merupakan ancaman serius terhadap ketersediaan dan stabilitas layanan jaringan komputer.
Serangan ini dilakukan dengan membanjiri sistem target menggunakan lalu lintas data dalam
jumlah besar sehingga menyebabkan penurunan kinerja bahkan kegagalan layanan secara
keseluruhan. Metode deteksi konvensional berbasis aturan memiliki keterbatasan dalam
mengenali pola serangan modern yang semakin menyerupai trafik normal, sehingga diperlukan
pendekatan yang lebih adaptif dan cerdas. 
Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma
Random Forest dan Support Vector Machine (SVM) dalam mendeteksi serangan DoS dan
DDoS. Dataset yang digunakan adalah CICIDS2017 yang berisi data trafik jaringan normal
dan serangan. Tahapan penelitian meliputi proses preprocessing data, pembagian data menjadi
data latih dan data uji, pelatihan model, serta evaluasi performa menggunakan metrik accuracy,
precision, recall, dan F1-score. 
Hasil penelitian menunjukkan bahwa kedua algoritma mampu mendeteksi serangan
DoS dan DDoS dengan tingkat akurasi yang tinggi. Random Forest memiliki performa yang
lebih stabil pada dataset berukuran besar, sedangkan SVM menunjukkan kemampuan
klasifikasi yang baik pada data berdimensi tinggi. Berdasarkan hasil pengujian, Random Forest
secara umum memberikan kinerja yang lebih optimal dibandingkan SVM dalam konteks
deteksi serangan DoS dan DDoS pada dataset CICIDS2017. Penelitian ini diharapkan dapat
menjadi referensi dalam pengembangan sistem deteksi intrusi berbasis machine learning yang
lebih efektif dan efisien di lingkungan jaringan modern.
date: 2026-02-27
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   Luturmas, Menase Christheovilyo  (2026) ANALISIS SERANGAN JARINGAN MENGGUNAKAN ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/32350/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32350/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32350/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32350/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32350/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32350/6/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32350/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32350/8/Sourcecode%20-%2021.11.3929.zip
document_url: https://eprints.amikom.ac.id/id/eprint/32350/9/Publikasi.pdf