Rekayasa Fitur Berbasis Machine Learning untuk Mendeteksi Serangan DDoS

Abstract

Serangan jaringan terdistribusi yang disebut juga dengan distributed denial of service (DDoS) merupakan ancaman dan masalah utama keamanan internet. DDoS adalah serangan pada jaringan yang bertujuan melumpuhkan sumber daya server. Serangan ini meningkat setiap tahunnya, terlebih pada kondisi pandemi COVID-19 saat ini. Salah satu bentuk penanggulangan untuk meminimalkan dampak DDoS adalah dengan perintah deteksi sistem atau intrusion detection system (IDS). Teknik IDS saat ini masih banyak menggunakan metode tradisional, sehingga masih jauh dari sempurna dibandingkan dengan teknik dan alat yang digunakan penyerang, karena IDS dengan metode tradisional hanya menggunakan deteksi berbasis signature atau model deteksi berbasis anomali dan menyebabkan banyak kesalahan. Lalu lintas paket data jaringan memiliki sifat yang kompleks, baik dari segi ukuran maupun sumbernya. Penelitian ini memanfaatkan kemampuan jaringan saraf tiruan untuk mendeteksi serangan DDoS atau normal. Teknik klasifikasi dengan metode jaringan saraf tiruan menjadi salah satu solusi. Berdasarkan kekurangan pada IDS tradisional, penelitian ini bertujuan untuk mendeteksi serangan DDoS menggunakan teknik rekayasa fitur berbasis feeder machine learning untuk meningkatkan pengembangan IDS. Selain itu, penelitian ini juga bertujuan untuk menganalisis dan mendapatkan kombinasi fungsi pelatihan dan arsitektur lapisan tersembunyi jaringan saraf tiruan terbaik untuk menyelesaikan permasalahan deteksi dan klasifikasi paket DDoS dalam jaringan komputer dengan memanfaatkan dataset UNSW-NB15 menggunakan metode jaringan saraf tiruan, sehingga didapatkan suatu kombinasi antara fungsi pelatihan dan arsitektur jaringan tersembunyi jaringan saraf tiruan yang mampu memberikan tingkat akurasi pengenalan DDoS yang tinggi. Berdasarkan percobaan yang dilakukan dengan tiga skema dan menggunakan teknik arsitektur skema jaringan saraf tiruan dengan masukan delapan fitur, diperoleh akurasi tertinggi sebesar 98,22%. Pemilihan fitur memainkan peranan penting dalam ketepatan hasil deteksi dan kinerja pembelajaran mesin dalam masalah klasifikasi.