Deteksi Serangan DDOS Pada VPS Menggunakan Metode Deep Neural Network

Abstract

Perkembangan internet dan komunikasi yang pesat telah memperluas ancaman dan serangan keamanan siber. Saat ini kebutuhan manusia sangat bergantung pada keberadaan informasi atau data digital, semakin besar permintaan akan informasi, semakin tajam gangguan keamanan pada sistem jaringan. Sistem Intrusion Detection System dibangun menggunakan metode Deep Neural Network untuk mendeteksi dan mengetahui nilai akurasi deteksi serangan jaringan. Penelitian ini menggunakan Dataset hasil simulasi serangan DDOS menggunakan LOIC 1.0.8.0, selama 35 menit pada Virtual Private Server. Data serangan dicapture dengan Wireshark 3.6.7.0 diperoleh 39920 record data, selanjutnya data diekstraksi dengan CICFlowMeter 4.0, diperoleh ekstraksi dataset sebanyak 70343 baris data. Program metode DNN dibangun dengan pemograman python, dalam program dilakukan praproses data, normalisasi data dilakukan dengan metode min-max. Dataset sebanyak 70343 data dibagi menjadi data latih dan data uji dengan perbandingan 80 : 20, diperoleh data latih 56274 data dan data uji 14069 data. Tahapan pengujian dengan DNN dilakukan sebanyak 20 kali percobaan, dengan menggunakan parameter layer yang berbeda dengan parameter epoch 20 dan batch size 64. Hasil percobaan ke 10 dihasilkan model DNN dengan 4 layer dengan fungsi aktivasi relu dan softmax, menggunakan parameter epoch 20 dan batch size 64 mendapatkan hasil klasifikasi akurasi tertinggi dengan nilai 96,50%. Adapun pengujian dengan Dataset serangan DDOS tanggal 21-02-2018 dari situs https://www.unb.ca/cic/datasets/ids-2018.html dengan dataset CIC sebagai data latih sebanyak 838860 data dan menggunakan dataset VPS sebagai data uji sebanyak 14069. Tahapan pengujian dengan DNN dilakukan dengan percobaan sebanyak 10 kali dengan menggunakan parameter layer yang berbeda, menggunakan parameter epoch berbeda dan batch size 64. Hasil percobaan ke 7 dihasilkan model DNN dengan 4 layer dengan fungsi aktivasi relu dan softmax, menggunakan parameter epoch 7 dan batch size 64 mendapatkan hasil klasifikasi akurasi tertinggi dengan nilai 45,87% dengan kategori akurasi sedang.