ANALISIS SERANGAN JARINGAN MENGGUNAKAN ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE

Luturmas, Menase Christheovilyo (2026) ANALISIS SERANGAN JARINGAN MENGGUNAKAN ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (340kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (733kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (344kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (309kB)
	Text (BAB V) BAB V.pdf - Published Version Download (110kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (267kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.3929.zip Restricted to Repository staff only Download (9kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (659kB)

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.

Actions (login required)

View Item