OPTIMASI DEEP LEARNING LSTM PADA KLASIFIKASI SERANGAN DDOS

Nugroho, Rangga Wahyu (2025) OPTIMASI DEEP LEARNING LSTM PADA KLASIFIKASI SERANGAN DDOS. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (185kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (430kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (284kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (110kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (173kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (690kB)

Abstract

Serangan Distributed Denial of Service (DDoS) merupakan salah satu ancaman serius dalam keamanan jaringan yang semakin kompleks seiring berkembangnya teknologi digital seperti Internet of Things (IoT) dan komputasi awan. Metode deteksi konvensional seperti signature-based dan anomaly-based masih memiliki keterbatasan dalam menghadapi variasi pola serangan baru dan sering kali menghasilkan false positive tinggi. Oleh karena itu, dibutuhkan pendekatan yang lebih adaptif dan akurat, seperti pemanfaatan algoritma deep learning. Salah satu arsitektur deep learning yang menjanjikan adalah Long Short-Term Memory (LSTM), yang mampu mengenali pola temporal dalam data sekuensial seperti lalu lintas jaringan. Penelitian ini bertujuan untuk mengoptimalkan model LSTM dalam klasifikasi serangan DDoS menggunakan dataset CICIDS2017. Proses penelitian dimulai dari eksplorasi data, pembersihan data, seleksi fitur menggunakan korelasi, hingga pembentukan empat model LSTM dengan konfigurasi berbeda, termasuk kombinasi dengan GRU dan Bidirectional LSTM serta penerapan dua jenis normalisasi (MinMaxScaler dan StandardScaler). Evaluasi dilakukan dengan mempertimbangkan parameter arsitektur, jumlah lapisan, dan teknik standardisasi guna memperoleh konfigurasi terbaik. Metode training menggunakan parameter seragam dan validasi performa dilakukan menggunakan metrik F1 Score sebagai tolok ukur akurasi klasifikasi. Hasil implementasi menunjukkan bahwa model LSTM dengan dua lapisan dan preprocessing MinMaxScaler memberikan performa terbaik dengan F1 Score sebesar 0,9801. Menariknya, model dengan satu lapisan LSTM dan StandardScaler juga mampu memberikan hasil kompetitif dengan F1 Score 0,9776, menandakan bahwa struktur sederhana tetap efektif jika disertai preprocessing yang tepat. Model dengan pendekatan Bidirectional LSTM menghasilkan performa paling rendah (F1 Score 0,7748), mengindikasikan bahwa pendekatan ini kurang cocok untuk pola serangan DDoS dalam dataset tersebut. Penelitian ini membuktikan bahwa pemilihan fitur yang relevan, teknik standardisasi yang tepat, dan arsitektur LSTM yang sesuai sangat mempengaruhi efektivitas sistem deteksi serangan DDoS berbasis deep learning.

Actions (login required)

View Item