OPTIMALISASI SISTEM DETEKSI INTRUSI MENGGUNAKAN MACHINE LEARNING UNTUK DETEKSI SERANGAN TERDISTRIBUSI PADA SERVER

Teddy, Yuliswar (2025) OPTIMALISASI SISTEM DETEKSI INTRUSI MENGGUNAKAN MACHINE LEARNING UNTUK DETEKSI SERANGAN TERDISTRIBUSI PADA SERVER. S2 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) cover dan abstrak.pdf - Published Version Download (237kB)
	Text (BAB 1) BAB 1.pdf - Published Version Download (258kB)
	Text (BAB 5) BAB 5.pdf - Published Version Download (199kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (188kB)
	Text (Fulltext Thesis) fulltext Thesis.pdf - Published Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Peningkatan signifikan penggunaan internet di Indonesia seiring perkembangan teknologi digital turut meningkatkan risiko serangan siber, salah satunya serangan Distributed Denial of Service (DDoS) yang kian kompleks dan sulit dideteksi oleh sistem deteksi intrusi (IDS) konvensional. Penelitian ini bertujuan mengoptimalkan sistem deteksi intrusi berbasis algoritma Decision Tree melalui teknik seleksi fitur (feature selection) dengan memanfaatkan dataset CIC-DDoS2019, guna meningkatkan akurasi dan efisiensi deteksi serangan DDoS. Proses penelitian meliputi tahap pra-pemrosesan data, seleksi fitur, pelatihan model Decision Tree, serta integrasi notifikasi real-time melalui bot Telegram untuk meningkatkan kecepatan respons terhadap serangan. Hasil pengujian menunjukkan bahwa penerapan seleksi fitur secara signifikan meningkatkan akurasi model Decision Tree dibanding model tanpa seleksi fitur, sekaligus menurunkan false positive rate. Sistem notifikasi real-time melalui bot Telegram berhasil diimplementasikan, memungkinkan tim keamanan memperoleh informasi serangan secara cepat dan detail. Penelitian ini berkontribusi dalam menghadirkan sistem IDS yang lebih akurat, efisien, dan responsif dalam mendeteksi serangan DDoS pada server.

Actions (login required)

View Item