Pengembangan dan Implementasi Sistem Deteksi Serangan DDoS Berbasis Algoritma Random Forest
-
Dedy Kiswanto
*
Universitas Negeri Medan,
Indonesia
- Fanny Ramadhani Universitas Negeri Medan, Indonesia
- Nurul Maulida Surbakti Universitas Negeri Medan, Indonesia
- Nadrah Afiati Nasution Universitas Negeri Medan, Indonesia
Abstract
Serangan Distributed Denial of Service (DDoS) merupakan ancaman serius bagi keamanan jaringan, sementara metode deteksi tradisional seperti threshold-based detection dan signature-based detection memiliki keterbatasan dalam mengenali pola serangan baru maupun anomali lalu lintas yang kompleks. Penelitian ini bertujuan merancang dan mengimplementasikan model prediksi serangan DDoS berbasis algoritma Random Forest yang mampu membedakan trafik normal dan berindikasi serangan secara akurat. Pendekatan Research and Development (R&D) digunakan, meliputi studi literatur, perancangan model, implementasi, serta evaluasi performa menggunakan metrik akurasi, precision, recall, F1-score, confusion matrix, dan learning curve. Berdasarkan hasil evaluasi, model Random Forest menunjukkan kinerja sangat baik dengan akurasi 0,99942 (99,942%). Precision untuk kelas 0 dan 1 masing-masing sebesar 0,99979 dan 0,99884, sedangkan recall mencapai 0,99928 untuk kelas 0 dan 0,99966 untuk kelas 1. Nilai F1-score tinggi, yaitu 0,99953 untuk kelas 0 dan 0,99925 untuk kelas 1, dengan macro average F1-score sebesar 0,99939 dan weighted average sebesar 0,99942, menunjukkan keseimbangan performa pada kedua kelas. Confusion Matrix menunjukkan kesalahan klasifikasi rendah (44 false positive dan 13 false negative dari 99.066 sampel). Analisis learning curve mengungkapkan akurasi pelatihan stabil di atas 0,998, sedangkan akurasi validasi meningkat dari 0,986 pada 10.000 data hingga di atas 0,998 pada 80.000 data, dengan jarak antarkurva semakin kecil. Pola ini menandakan model mampu memanfaatkan data tambahan untuk meningkatkan generalisasi tanpa gejala overfitting atau underfitting. Temuan ini membuktikan bahwa model Random Forest yang dirancang dapat menjadi solusi deteksi dini serangan DDoS yang andal, adaptif, dan berpotensi diintegrasikan dalam sistem keamanan jaringan secara real-time.
References
Jovanka Daryl Ruindungan, Sherwin R. U. A. Sompie, and Xaverius B. N. Najoan, “Analisis Kerentanan terhadap Serangan Denial of Service pada Website Universitas Sam RatulangiNgrok,” vol. 20, no. 1, pp. 39–50, 2025.
L. D. Samsumar et al., Keamanan Sistem Informasi: Perlindungan Data dan Privasi di Era Digital. Bekasi: HADLA MEDIA INFORMASI, 2025. doi: 978-623-10-9466-7.
P. A. C. Setiawan, I. A. D. Giriantari, and N. I. ER, “Tinjauan Literatur: Deteksi Anomali Berbasis Analisis Waktu pada CAN Bus Kendaraan Listrik,” ELECTRON J. Ilm. Tek. Elektro, vol. 6, no. 1, pp. 72–84, 2025, doi: 10.33019/electron.v6i1.282.
Slamet, “Taksonomi Pertahanan Cyber Security Menggunakan Model Cyber Kill Chain,” Spirit, vol. 16, no. 1, pp. 232–245, 2024, doi: 10.53567/spirit.v16i1.332.
A. R. Syujak, K. Diantoro, V. Yuni T, A. Soderi, and P. A. Sucipto, “Integrasi Deep Packet Inspection dengan Intrusion Detection System (IDS) untuk Identifikasi Serangan DDoS dalam Jaringan Skala Besar,” J. Minfo Polgan, vol. 13, no. 2, pp. 1971–1975, 2024, doi: 10.33395/jmp.v13i2.14324.
R. Irfannandhy, L. B. Handoko, and N. Ariyanto, “Analisis Performa Model Random Forest dan CatBoost dengan Teknik SMOTE dalam Prediksi Risiko Diabetes,” Edumatic J. Pendidik. Inform., vol. 8, no. 2, pp. 714–723, 2024, doi: 10.29408/edumatic.v8i2.27990.
M. Irdi, R. Aditya, A. Ramdhani, D. D. Nugraha, and M. F. Ari, “Analisis masalah serangan phising pada penggunaan email,” 2025.
C. Chandra and D. Prima, “Deteksi Serangan Siber Menggunakan Machine Learning : Studi Pada Sistem Informasi Akademik,” vol. 3, no. 2, pp. 106–110, 2025.
T. Yuliswar, I. Elfitri, and O. W. Purbo, “Optimization of Intrusion Detection System With Machine Learning for Detecting Distributed Attacks on Server Optimalisasi Sistem Deteksi Intrusi Menggunakan Machine Learning Untuk Deteksi Serangan Terdistribusi Pada Server,” J. Inovtek Polbeng -Seri Inform., vol. 10, no. 1, pp. 1–10, 2025.
Sunardi and Suyahman, “Analisis Komparasi Prediksi Serangan DDoS Menggunakan Machine Learning,” pp. 84–91, 2025, [Online]. Available: https://www.kaggle.com/datasets/oktayrdeki/ddos-traffic-dataset/
N. Surojudin, A. Turmudi Zy, D. Maulana, and A. Halim Anshor, “Pengembangan Kebijakan Keamanan Adaptif Berbasis Machine Learning pada Firewall SDN,” J. Pustaka AI (Pusat Akses Kaji. Teknol. Artif. Intell., vol. 5, no. 1, pp. 45–49, 2025, doi: 10.55382/jurnalpustakaai.v5i1.919.
“Metodologi Research and Development: Teori dan Penerapan Metodologi RnD - Loso Judijanto, Mas’ud Muhammadiah, Rahmawati Ning Utami, Lalu Suhirman, Laurensius Laka, Yoseb Boari, Suri Toding Lembang, Fegie Yoanti Wattimena, Ningrum Astriawati, Rudy Dwi Laksono, Muhammad Yunus - Google Buku.” Accessed: Aug. 09, 2025. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=y3INEQAAQBAJ&oi=fnd&pg=PA1&dq=Metode+R%26D+memadukan+unsur+analisis+data,+perancangan,+implementasi,+dan+pengujian,+sehingga+sesuai+untuk+membangun+solusi+yang+dapat+langsung+diimplementasikan+pada+lingkungan+nyata.&ots=LJGoozBu7O&sig=L7J3uuINFMKQVOLTJ_0V2KI6FHI&redir_esc=y#v=onepage&q&f=false
N. Phan, A. Kristianto, J. Kendrico, and W. J. Alexander, “Perencanaan Enterprise Architecture Sistem Informasi pada Akademik: Studi Literatur,” JDMIS J. Data Min. Inf. Syst., vol. 2, no. 2, pp. 50–58, 2024, doi: 10.54259/jdmis.v2i2.1877.
“Buku Ajar Dasar Exploratory Data Analysis (EDA) - Febie Elfaladonna, Indra Griha Tofik Isa, Devi Sartika, Yusniarti, Andre Mariza Putra - Google Buku.” Accessed: Aug. 10, 2025. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=n7ofEQAAQBAJ&oi=fnd&pg=PR1&dq=Exploratory+Data+Analysis+(EDA),+yaitu+proses+eksplorasi+terhadap+data+guna+memperoleh+pemahaman+mengenai+struktur,+pola,+dan+karakteristik+distribusi+data+sebelum+dilakukan+proses+pemodelan&ots=2R4JE4lCvf&sig=bLIAbminHdPANv8pYuZ3YG5Xzqw&redir_esc=y#v=onepage&q&f=false
“Decoding Intelligence Algoritma Machine Learning dalam Aksi dan Bisnis - Muhamad Malik Mutoffar, ST., MM, Endang Retnoningsih, S.Kom., M.Kom, Dr. Ir. Yudi Limbar Yasik, M.Sc, Eliza, S.T - Google Buku.” Accessed: Aug. 10, 2025. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=c6xZEQAAQBAJ&oi=fnd&pg=PA1&dq=EDA+memiliki+peran+penting+dalam+mengidentifikasi+potensi+masalah+pada+data,+seperti+keberadaan+nilai+ekstrem+(outlier),+kesalahan+entri+data,+dan+ketidakseimbangan+distribusi+kelas,+serta+dalam+menentukan+strategi+preprocessing+yang+sesuai&ots=fECrX3-62k&sig=hY-KdVGn6nv5U7jbqCbUSjpPEcw&redir_esc=y#v=onepage&q&f=false
L. Nurlaela, Y. Suhanda, A. Sopian, C. S. Dewi, and R. Syahrial, “Pengembangan Framework Data Mining Berbasis Deep Neural Network Dengan Eksplorasi Teknik Transfer Learning Untuk Prediksi Dan Klasifikasi Data,” JRIS J. Rekayasa Inf. Swadharma, vol. 5, no. 1, pp. 132–141, 2025, doi: 10.56486/jris.vol5no1.723.
B. Ramadhan and S. F. Pane, “Pengaruh Hyperparameter Tuning untuk Efektivitas pada Pendekatan Hybrid dalam Mendiagnosis Stres dan Depresi : Tinjauan Studi Literatur,” J. Tekno Insentif, vol. 18, no. 2, pp. 104–118, 2024, doi: 10.36787/jti.v18i2.1516.
“Dasar dan Konsep Machine Learning - Feri Sulianta - Google Buku.” Accessed: Aug. 10, 2025. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=l5BwEQAAQBAJ&oi=fnd&pg=PA1&dq=overfitting+yaitu+kondisi+ketika+model+terlalu+menyesuaikan+diri+terhadap+data+pelatihan+sehingga+kehilangan+kemampuan+generalisasi+dan+underfitting+yaitu+kondisi+ketika+model+gagal+menangkap+pola+penting+dari+data+karena+terlalu+sederhana&ots=0vkdabgIKo&sig=wXj2LentHi1gxtqCoTB_4-ROwIE&redir_esc=y#v=onepage&q&f=false
“RandomForestClassifier — scikit-learn 1.7.1 documentation.” Accessed: Aug. 09, 2025. [Online]. Available: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html
A. Masruriyah, H. Novita, C. Sukmawati, A. Ramadhan, S. Arif, and B. Dermawan, “Pengukuran Kinerja Model Klasifikasi dengan Data Oversampling pada Algoritma Supervised Learning untuk Penyakit Jantung,” Comput. Sci., vol. 4, no. 1, pp. 62–70, 2024, doi: 10.31294/coscience.v4i1.2389.
R. Fauzan, A. V. Vitianingsih, D. Cahyono, A. L. Maukar, and Y. A. B. Suprio, “Penerapan Algoritma Klasifikasi pada Machine Learning untuk Deteksi Phishing,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 2, pp. 531–540, 2025, doi: 10.57152/malcom.v5i2.1968.
R. Alfarez, R. Rianto, and V. Purwayoga, “Penerapan Naïve Bayes untuk Prediksi Customer Churn (Studi Kasus: PT Hutchison 3 Indonesia),” J. Ris. dan Apl. Mhs. Inform., vol. 5, no. 2, pp. 301–307, 2024, doi: 10.30998/jrami.v5i2.8556.
A. Arasy and S. Agustian, “Sentiment Classification Using Multilayer Perceptron Algorithm with TF-IDF Features Klasifikasi Sentimen Menggunakan Metode Multilayer Perceptron dengan Fitur TF-IDF,” vol. 5, no. July, pp. 908–919, 2025.
T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.
F. M. Natsir, R. Y. Bakti, and T. Wahyuni, “Analisis Deteksi Dini Penyakit Jantung dengan Pendekatan Support Vector Machine pada Data Pasien,” Arus J. Sains dan Teknol., vol. 2, no. 2, pp. 437–446, 2024, doi: 10.57250/ajst.v2i2.669.
F. Reynaldi Valerian, M. Syarief, and D. Abdul Fatah, “Klasifikasi Tingkat Obesitas Menggunakan Metode Gbm Dan Confusion Matrix,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, pp. 2242–2249, 2025, doi: 10.36040/jati.v9i2.13062.
M. A. Saputra and T. Sugihartono, “Evaluasi Kinerja Model LSTM Untuk Prediksi Risiko Penyakit Jantung Menggunakan Dataset Evaluasi Kinerja Model LSTM Untuk Prediksi Risiko Penyakit Jantung Menggunakan Program Studi Teknik Informasi , Fakultas Teknologi Informasi , ISB Atma Luhur , Indonesia Performance Evaluation of the LSTM Model for Heart Disease Risk Prediction Using a Dataset,” no. July, 2025, doi: 10.52436/1.jpti.821.
Karim, A., Bangun, B., Prayetno, S., & Afrendi, M. (2025). Optimasi Prediksi Harga Sawit Menggunakan Teknik Stacking Algoritma Machine Learning dan Deep Learning dengan SMOTE.
Copyright (c) 2025 Dedy Kiswanto, Fanny Ramadhani, Nurul Maulida Surbakti, Nadrah Afiati Nasution
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
.png)
.png)
