DETEKSI LRDDOS PADA JARINGAN SD-IOT MENGGUNAKAN MACHINE LEARNING DENGAN FEATURE IMPORTANCE RANDOM FOREST CLASSIFIER

Habibullah, Ahmad Rizky (2023) DETEKSI LRDDOS PADA JARINGAN SD-IOT MENGGUNAKAN MACHINE LEARNING DENGAN FEATURE IMPORTANCE RANDOM FOREST CLASSIFIER. Undergraduate thesis, Universitas Muhammadiyah Malang.

[thumbnail of PENDAHULUAN.pdf]
Preview
Text
PENDAHULUAN.pdf

Download (2MB) | Preview
[thumbnail of BAB I.pdf]
Preview
Text
BAB I.pdf

Download (516kB) | Preview
[thumbnail of BAB II.pdf]
Preview
Text
BAB II.pdf

Download (629kB) | Preview
[thumbnail of BAB III.pdf] Text
BAB III.pdf
Restricted to Registered users only

Download (786kB) | Request a copy
[thumbnail of BAB IV.pdf] Text
BAB IV.pdf
Restricted to Registered users only

Download (626kB) | Request a copy
[thumbnail of BAB V.pdf] Text
BAB V.pdf
Restricted to Registered users only

Download (435kB) | Request a copy
[thumbnail of POSTER.pdf] Text
POSTER.pdf
Restricted to Registered users only

Download (430kB) | Request a copy

Abstract

Serangan DDoS (Distributed Denial-of-Service) semakin merusak, menyebabkan penurunan kinerja jaringan, kehilangan data, dan bahkan downtime. Pada Penelitian ini membahas tentang pentingnya deteksi serangan LR-DDoS pada jaringan SD-IoT untuk memastikan keamanan jaringan. Serangan DDoS dapat mengancam keamanan sistem, infrastruktur, dan data, dan dengan meningkatnya penggunaan IoT, serangan terhadap jaringan IoT juga semakin meningkat.
Meskipun ada beberapa metode deteksi yang ada, metode yang dapat bekerja pada jaringan SD-IoT dan memberikan hasil yang akurat masih menjadi tantangan. Oleh karena itu, penelitian ini mengusulkan penggunaan metode Machine Learning dengan metode feature importance RFC untuk deteksi serangan LR-DDoS pada jaringan SD-IoT.
Hasil penelitian menunjukkan bahwa metode yang diusulkan mampu mendeteksi serangan DDoS dengan akurasi tertinggi ada pada paket pengiriman 50pps mencapai 90,36%, untuk terendah pada 20pps dengan tingkat accuracy 90,34% serta rata rata hasilnya dari semua rate adalah 90,35%. Dengan menggunakan 8 algoritma machine learning dan feature importance yang efektif seperti RFC dengan fitur penting, studi ini dapat membantu meningkatkan keamanan jaringan di jaringan SD-IoT dan memberikan perspektif baru pada penggunaan metode pembelajaran mesin untuk memperbaiki keamanan jaringan

Item Type: Thesis (Undergraduate)
Student ID: 201910370311010
Keywords: SD-IoT, LrDDoS , Random Forest Classifier
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > Department of Informatics (55201)
Depositing User: 201910370311010 rizky3habibullah
Date Deposited: 16 Nov 2023 08:38
Last Modified: 16 Nov 2023 08:38
URI: https://eprints.umm.ac.id/id/eprint/955

Actions (login required)

View Item
View Item