EFISIENSI MACHINE LEARNING DALAM MEMPERKUAT PERTAHANAN TERHADAP SERANGAN DDoS, MENGGUNAKAN ALGORITMA RANDOM FOREST, LOGISTIC REGRESSION, dan NEURAL NETWORK

Z, SYAUQII FAYYADH HILAL (2025) EFISIENSI MACHINE LEARNING DALAM MEMPERKUAT PERTAHANAN TERHADAP SERANGAN DDoS, MENGGUNAKAN ALGORITMA RANDOM FOREST, LOGISTIC REGRESSION, dan NEURAL NETWORK. S1 thesis, Universitas Mercu Buana Jakarta.

Text (TA SYAUQIIFAYYADHHILALZ) TALK+41519120073+SYAUQIIFAYYADHHILALZ.pdf Restricted to Registered users only Download (1MB)

Abstract

Serangan Distributed Denial of Service (DDoS) merupakan salah satu tantangan utama dalam keamanan siber akibat pesatnya perkembangan teknologi digital. Dengan membanjiri server menggunakan sejumlah besar permintaan, serangan ini mengganggu layanan online, sehingga menekankan pentingnya sistem deteksi yang kuat. Penelitian ini mengeksplorasi penggunaan algoritma machine learning—Random Forest (RF), Logistic Regression (LR), dan Neural Networks (NN)—untuk meningkatkan deteksi serangan DDoS, menggunakan dataset terkenal CIC-DDoS2019. Proses prapemrosesan data yang komprehensif diterapkan, mencakup pemilihan fitur, normalisasi, dan penghapusan data duplikat, guna memastikan kinerja algoritma yang optimal.Hasil penelitian menunjukkan bahwa Random Forest (RF) memberikan performa terbaik dengan akurasi 97% pada seluruh dataset pengujian serta 99,13% pada dataset pelatihan dan validasi. Neural Network (NN) berhasil menangani pola data yang kompleks dengan akurasi sekitar 94%, sementara Logistic Regression (LR) menunjukkan hasil mengesankan dengan akurasi 98,65%. Keunggulan RF dibandingkan algoritma lainnya disebabkan oleh metode ensemble-nya, yang mengurangi overfitting dan meningkatkan generalisasi model.Penelitian ini menyoroti bagaimana machine learning dapat digunakan untuk mengatasi tantangan nyata dalam keamanan siber dengan memberikan wawasan berharga mengenai optimalisasi algoritma untuk deteksi serangan DDoS secara real-time. Hasil penelitian ini berkontribusi terhadap peningkatan stabilitas dan ketahanan infrastruktur digital dengan mendukung pengembangan sistem deteksi intrusi yang efektif. Penelitian di masa depan dapat mengeksplorasi integrasi arsitektur jaringan saraf tingkat lanjut dan metode hibrida guna meningkatkan tingkat deteksi dan adaptabilitas terhadap ancaman siber yang terus berkembang. Keywords: Machine learning, cybersecurity, DDoS detection, Random Forest, Logistic Regression, and Neural Network

Item Type:	Thesis (S1)
Call Number CD:	FIK/INFO. 25 067
NIM/NIDN Creators:	41519120073
Uncontrolled Keywords:	Machine learning, cybersecurity, DDoS detection, Random Forest, Logistic Regression, and Neural Network
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 006 Special Computer Methods/Metode Komputer Tertentu > 006.3 Artificial Intelligence/Kecerdasan Buatan > 006.31 Machine Learning/Pembelajaran Mesin 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 006 Special Computer Methods/Metode Komputer Tertentu > 006.3 Artificial Intelligence/Kecerdasan Buatan > 006.32 Neural Nets (Neural Network)/Jaringan Saraf Buatan 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	khalimah
Date Deposited:	21 Apr 2025 01:55
Last Modified:	21 Apr 2025 01:55
URI:	http://repository.mercubuana.ac.id/id/eprint/95277

Actions (login required)

View Item