Analisis Komparasi Prediksi Serangan DDoS Menggunakan Machine Learning

Abstract

Serangan Distributed Denial of Service (DDoS) merupakan ancaman serius terhadap kestabilan jaringan komputer, yang dapat menyebabkan gangguan layanan pada sistem yang ditargetkan. Deteksi dini serangan DDoS sangat penting untuk meminimalkan dampaknya. Penelitian ini bertujuan untuk membandingkan kinerja empat algoritma machine learning—K-Nearest Neighbors (KNN), Random Forest (RF), XGBoost, dan Logistic Regression (LR)—dalam mendeteksi serangan DDoS menggunakan dataset besar dari Kaggle, yang terdiri dari lebih dari satu juta baris data. Dataset mencakup berbagai informasi lalu lintas jaringan, termasuk alamat IP sumber dan tujuan, port, panjang paket, serta jumlah paket yang dikirim dalam interval waktu tertentu. Hasil penelitian menunjukkan bahwa algoritma RF memiliki akurasi tertinggi, yaitu 99.83%, diikuti oleh KNN dan XGBoost dengan akurasi masing-masing 99.82%. Logistic Regression, meskipun menunjukkan akurasi yang baik sebesar 98.80%, memiliki performa yang lebih rendah dibandingkan algoritma lainnya karena keterbatasannya dalam menangani pola data non-linier. Berdasarkan hasil ini, dapat disimpulkan bahwa RF, KNN, dan XGBoost sangat efektif untuk deteksi serangan DDoS, sementara LR dapat digunakan sebagai alternatif dengan efisiensi komputasi yang lebih tinggi. Penelitian ini memberikan kontribusi signifikan terhadap pengembangan sistem deteksi DDoS berbasis machine learning yang lebih akurat dan efisien.