Sistem Deteksi Serangan DDoS Pada Software Defined Network Menggunakan Metode Random Forest
Abstract
Pada era digital yang semakin kompleks,
serangan siber jenis Distributed Denial of Service (DDoS) telah
menjadi ancaman serius bagi keamanan jaringan, karena
mampu melumpuhkan sistem dan layanan dengan membanjiri
target menggunakan lalu lintas data yang berlebihan. Penelitian
ini mengusulkan sistem deteksi serangan DDoS inovatif yang
menggabungkan kekuatan jaringan yang terdefinisi perangkat
lunak (Software-Defined Network/SDN) dengan algoritma
pembelajaran mesin Random Forest. Data lalu lintas dianalisis
untuk menghasilkan fitur-fitur seperti jumlah paket, waktu
antar paket, dan ukuran rata-rata paket. Fitur-fitur ini
digunakan karena dikenal memiliki kemampuan diskriminatif
tinggi dalam mendeteksi pola anomali. Selanjutnya, model yang
telah dilatih diintegrasikan ke dalam kontroler SDN, seperti
Ryu Controller, sehingga mampu mendeteksi pola lalu lintas
mencurigakan secara cepat dan akurat. sistem ini menunjukkan
efektivitasnya dengan tingkat akurasi deteksi sebesar 88%.
Hasil ini menunjukkan bahwa kombinasi teknologi SDN dan
Random Forest memberikan solusi yang andal dalam
melindungi infrastruktur digital dari serangan DDoS, sehingga
dapat mencegah kerusakan signifikan pada sistem jaringan.
Kata kunci— Software Defined Network (SDN), Distributed
Denial of Service (DDoS), Random Forest.
References
Gupta, R., & Kumar, M. (2020). "DDoS Attack
Detection Using Machine Learning Algorithms in SDN."
International Journal of Engineering and Advanced
Technology (IJEAT), Vol. 9, Issue 4. DOI:
35940/ijeat.D1748.049420.
Azad, M. A., et al. (2020). "Real-Time Detection of
DDoS Attacks in SDN Using Machine Learning." Journal of
Network and Computer Applications, 169, 102779. DOI:
1016/j.jnca.2020.102779.
Kumar, N., et al. (2020). "A Hybrid Approach for
Detecting DDoS in SDN Using Random Forest and K-Means
Clustering." Wireless Personal Communications, 112, 2741-
DOI: 10.1007/s11277-020-07252-3.
Huang, C. Y., & Lin, J. Y. (2021). "DDoS Attack
Mitigation in SDN Environment Using Random Forest
Classifier." International Journal of Computing and Digital
Systems (IJCDS), 10(5). Penelitian ini mengevaluasi
algoritma Random Forest dalam mendeteksi dan memitigasi
serangan DDoS pada lingkungan SDN.
Zhang, J., Chen, Y., & Xiang, Y. (2013). "An Adaptive
Method for Detecting DDoS Attacks in SDN." IEEE
Transactions on Computers, 62(11), 2273-2285.
Yoon, J., Park, S., & Chung, T. (2020). "DDoS Attack
Detection Mechanism Using Feature Selection and Ensemble
Learning on Software-Defined Networks." Journal of
Network and Computer Applications, 164, 102682.
Moustafa, N., & Slay, J. (2016). "The significant features
of the UNSW-NB15 and the KDD99 datasets for network
intrusion detection: Statistical analysis and
recommendations." Pada penelitian ini, data digunakan untuk
membandingkan kinerja berbagai metode, termasuk Random
Forest, untuk deteksi intrusi jaringan.
DOI: 10.1109/TrustCom.2016.0139
Deka, G., & Bezboruah, A. (2020). "A hybrid machine
learning approach for DDoS detection using Random Forest
and PSO."
Studi ini menunjukkan bagaimana penggabungan metode
Random Forest dengan optimasi dapat meningkatkan akurasi
deteksi DDoS.
Ashfaq, R. A. R., et al. (2017). "Fuzziness based semisupervised learning approach for intrusion detection
system."
Artikel ini membahas peran metode Random Forest dalam
mendeteksi berbagai jenis serangan, termasuk DDoS.
DOI: 10.1016/j.ins.2017.03.027
