Skripsi
Perbandingan model svm tunggal, adaboost-svm dan bagging-svm untuk deteksi ddos berdasarkan analisis data traffic jaringan / Dimas Ardiminda Edia Putra
Abstrak
Distributed Denial of Service (DDoS) merupakan salah satu bentuk serangan yang di tujukan ke server dengan cara mengirimkan sejumlah besar request sehingga mengakibatkan kelebihan beban pada bandwith dan menurukan kinerja server. Salah satu mekanisme pertahanan yang dapat dilakukan adalah dengan mengenali pola lalu lintas jaringan menggunakan model Machine Learning. Beberapa penelitian terdahulu menunjukan bahwa algoritma Support Vector Machine (SVM) yang di kombinasikan dengan metode ensamble seperti AdaBoost dan Bagging mampu mencapai akurasi hingga 98% dan 99% dalam kasus deteksi worm. Meskipun demikian efektifitas kombinasi tersebut pada konteks deteksi serangan DDoS masih belum di buktikan. Penelitian ini berfokus pada perbandingan SVM dengan pendekatan ensamble yaitu AdaBoost-SVM dan Boostrap-SVM untuk mendeteksi serangan DDoS pada dataset dengan kombinasi fitur numerik dan kategorikal. Pemilihan SVM didasarkan pada kemampuannya menangani data berdimensi tinggi dan non-linear serta ketahannya terhadap overfitting melalu pengaturan margin hyperplane. Sementara itu penambahan ensamble AdaBoost dipilih karena kemampuannya dalam memperbaiki kesalahan klasifikasi secara adaptif dan kemampuan Bagging yang unggul dalam mengurangi variansi serta lebih efisien secara komputasi. Dengan pendekatan ini penelitian diharapkan mampu memberikan kontribusi dalam menentukan model yang lebih sesuai dan andal dalam impelementasi sistem deteksi serangan DDoS berbasis lalu lintas jaringan.