Analisis Performa Algoritma Convolutional Neural Network (CNN) sebagai Pendeteksi Serangan DDoS Berbasis Deep Learning

William Paul Gustav; Naufalul Fajri; Raihan Hidayat; Hesmi Aria Yanti

doi:10.52661/jict.v6i2.337

Authors

William Karuntu Telkom University Jakarta
Naufalul Fajri Universitas Telkom
Raihan Hidayat Universitas Telkom
Hesmi Aria Yanti Universitas Telkom

DOI:

https://doi.org/10.52661/jict.v6i2.337

Keywords:

Convolutional Neural Network (CNN), Confusion Matrix, Deep Learning (DL), DDos, UDP

Abstract

DDoS (Distributed Denial of Service) merupakan jenis serangan siber yang membuat sebuah layanan online tidak tersedia dengan membuat server, jaringan, atau aplikasi target dengan lalu lintas internet menjadi overload. Serangan ini biasanya dilakukan dengan menggunakan beberapa sistem untuk mengirimkan sejumlah besar permintaan ke target, menyebabkan layanan menjadi lambat atau bahkan tidak berfungsi. Tujuan dari penelitian ini adalah menganalisis lalu lintas serangan DDoS menggunakan pendekatan deep learning dengan algoritma Convolutional Neural Network (CNN). Penggunaan CNN pada penelitian ini dapat meningkatkan akurasi deteksi dan efisiensi serangan DDoS, dengan memanfaatkan kemampuan mengidentifikasi pola dalam data traffic jaringan. Implementasi dataset, melalui beberapa proses yaitu akuisisi data, pre-processing data, model CNN untuk mengklasifikasikan dan evaluasi terhadap traffic DDoS. Temuan ini menunjukkan bahwa model CNN mencapai akurasi tinggi dalam mendeteksi serangan DDoS dengan nilai akurasi training mencapai 99.75% dan akurasi validasi mencapai 99.65%. Ini berarti model mengklasifikasikan data training dengan benar sebesar 99.75% dan data validasi sebesar 99.65%, lebih baik daripada algoritma DNN , RNN, dan GRU. Penelitian lebih lanjut disarankan untuk mengoptimalkan model dan mengeksplorasi penerapannya dalam sistem deteksi real-time.

References

S. Safar, "Jumlah Programmer Indonesia Meningkat Pesat, Menempati Posisi ke-9 Di Dunia," April 2024. [Online]. Available: https://safarseptyadi.com/jumlah-programmer-indonesia-meningkat-pesat-menempati-posisi-ke-9-di-dunia/. [Accessed: June 7, 2024]

Id-SIRTII/cc, "Laporan Bulanan Publik Hasil Monitoring Keamanan Siber April 2023," TLP, 2023. D. Zaputra, "Laporan Monitoring Keamanan Siber April 2023 - DIREKTORAT OPERASI KEAMANAN SIBER | BADAN SIBER DAN SANDI NEGARA," [Online]. Available: https://www.academia.edu/106213693/Laporan_Monitoring_Keamanan_Siber_April_2023_DIREKTORAT_OPERASI_KEAMANAN_SIBER_BADAN_SIBER_DAN_SANDI_NEGARA?uc-sb-sw=99136602. Accessed: June 7, 2024

N. Nishanth and A. Mujeeb, "Modeling and Detection of Flooding-Based Denial-of-Service Attack in Wireless Ad Hoc Network Using Bayesian Inference," IEEE Systems Journal, vol. 15, no. 1, pp. 17-26, Mar. 2021, doi: 10.1109/JSYST.2020.2984797.

M. Gupta, R. Jain, S. Arora, A. Gupta, M. J. Awan, G. Chaudhary, and H. Nobanee, "AI-enabled COVID-9 Outbreak Analysis and Prediction: Indian States vs. Union Territories," Computers, Materials & Continua, vol. 67, no. 1, pp. 933-950, Jan. 2021, doi: 10.32604/cmc.2021.014221.

C. L. Mindara, A. Zulianto, H. P. Utomo, T. Hatati, and G. P. Mindara, "Deteksi Intrusi Untuk Klasifikasi Serangan Jaringan Dengan Penerapan Algoritma Convolutional Neural Network," Dec. 2023.

M. R. Hadi and A. S. Mohammed, "A Novel Approach to Network Intrusion Detection System using Deep Learning for SDN: Futuristic Approach," Machine Learning & Applications, 2022, doi: 10.5121/csit.2022.121106.

R. Soleymanzadeh and R. Kashef, "A Stable Generative Adversarial Network Architecture for Network Intrusion Detection," 2022, doi: 10.1109/csr54599.2022.9850286.

N. Shone, T. N. Ngoc, V. D. Phai, and Q. Shi, "A Deep Learning Approach to Network Intrusion Detection," IEEE Transactions on Emerging Topics in Computational Intelligence, vol. 2, no. 1, pp. 41-50, Feb. 2018, doi: 10.1109/tetci.2017.2772792.

https://www.unb.ca/cic/datasets/ddos-2019.html

G. A.V., "Multimodal Emotion Recognition with Deep Learning: Advancements, challenges, and future directions," May 2024.

https://aws.amazon.com/id/what-is/data-cleansing/

C. L. Mindara, A. Zulianto, H. P. Utomo, T. Hatati, and G. P. Mindara, "Deteksi Intrusi Untuk Klasifikasi Serangan Jaringan Dengan Penerapan Algoritma Convolutional Neural Network," Des. 2023.

R. Rizal, N. Widiyasono, and S. Yuliyanti, "Kecerdasan Buatan untuk Klasifikasi Serangan Siber pada Internet of Things Network Traffic," Okt. 2023.

D. A. Puspitaningrum, "Penerapan Metode Support Vector Machine (SVM) Dalam Pengklasifikasian Kerusakan Motor Induksi," JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 7, no. 1, pp. 13-25, 2020.

A. F. Hidayatullah dan M. R. Ma'arif, "Penerapan Text Mining dalam Klasifikasi Judul Skripsi," Seminar Nasional Aplikasi Teknologi Informasi (SNATi), pp. 1-7, 2016.

R. Fauzan, D. Siahaan, dan S. Rochimah, "Rekomendasi Pembentukan Tim Pengembangan Perangkat Lunak Berdasarkan Skor Bus Factor," Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), vol. 7, no. 1, pp. 31-41, 2018.

Y. Afriansyah, M. E. Puspitanigrum, dan K. Anwar, "Rancang Bangun Aplikasi Penilaian Kinerja Karyawan Menggunakan Algoritma Naive Bayes Classifier," JISKA (Jurnal Informatika Sunan Kalijaga), vol. 3, no. 3, pp. 17-25, 2019.