DETEKSI DISTRIBUTED DENIAL OF SERVICE (DDOS) DALAM JARINGAN SOFTWARE DEFINED NETWORK DENGAN METODE SUPPORT VECTOR MACHINE

FURQAN, RAHMATULLAH (2022) DETEKSI DISTRIBUTED DENIAL OF SERVICE (DDOS) DALAM JARINGAN SOFTWARE DEFINED NETWORK DENGAN METODE SUPPORT VECTOR MACHINE. Other thesis, UPN "Veteran" Yogyakarta.

Preview	Text ABSTRAK.pdf Download (70kB) | Preview
Preview	Text COVER.pdf Download (135kB) | Preview
Preview	Text DAFTAR ISI.pdf Download (159kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (158kB) | Preview
Preview	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (247kB) | Preview
	Text SKRIPSI-FULL-RAHMATULLAH-FURQAN-123160067.pdf Restricted to Repository staff only Download (3MB)

Abstract

ABSTRAK
Software Defined Network merupakan teknologi baru dan SDN merupakan masa depan dalam
konsep jaringan dimana terdapat pemisahan antara data plane dan control plane sebagai otak
yang mengatur forwarding data. Akan tetapi SDN menjadi target serangan DDOS. Serangan
DDOS adalah serangan yang berbahaya dan mengancam dalam suatu jaringan, karena dapat
membanjiri jaringan dan memblokir akses ke server dengan mengirim paket dalam jumlah
besar dan menggunakan sumber daya jaringan untuk menolak akses lainnya. Penelitian ini akan
mendeteksi serangan DDOS secara anomali dengan memanfaatkan kebiasan yang muncul pada
sistem dan mengansumsikan jika terdapat penyimpangan dari kebiasaan yang muncul maka
dinyatakan sebagai serangan. algoritma Support Vector Machine digunakan untuk
mengkategorikan traffic data pada jaringan SDN merupakan serangan ddos atau bukan. SVM
dapat mengatasi masalah klasifikasi baik linear maupun non linear sehingga memiliki
kemampuan generalisasi yang kuat. Untuk mengklasifikasikan data yang tidak bisa dipisahkan
secara linear, SVM menggunakan fungsi kernel. Setiap fungsi kernel memiliki parameter yang
mempengaruhi nilai dari akurasi, presisi, dan recall dari algoritma SVM. Penelitian ini bertujuan
untuk mencari kernel terbaik dalam melakukan deteksi serangan DDOS. Berdasarkan pengujian
yang dilakukan dengan 544 data training dan 4 kernel, Menggunakan confusion matrix dan kfold cross validation dengan nilai k=5, dataset dirubah menjadi 80 persen data latih dan 20
persen data uji menghasilkan akurasi tertinggi sebesar 99.08% pada kernel Sigmoid. Nilai presisi
tertinggi diperoleh oleh kernel linear dengan nilai 98.93% dan nilai recall tertinggi diperoleh
oleh kernel RBF dengan nilai 100%. Kesimpulan dari penulisan ini adalah nilai rata-rata untuk
semua kernel berkisara antara 97-99% sehingga penggunaan kernel terlalu berpengaruh untuk
mendapatkan akurasi yang maksimal, dikarenakan persebaran data latih yang digunakan dapat
terpisah secara linear dengan baik.ABSTRACT
Software Defined Network is a new technology and SDN is the future in network concept where
there is a separation between the data plane and the control plane as the brain that regulates data
forwarding. However, SDN became the target of DDOS attacks. A DDOS attack is a dangerous
and threatening attack in a network, because it can overwhelm the network and block access to
servers by sending large amounts of packets and using network resources to deny other access.
This research will detect DDOS attacks anomalously by taking advantage of the habits that
appear on the system and assume that if there are deviations from the habits that appear, it will
be declared as an attack. Support Vector Machine algorithm is used to categorize data traffic on
an SDN network as a ddos attack or not. SVM can solve both linear and non-linear classification
problems so that it has a strong generalization ability. To classify data that cannot be separated
linearly, SVM uses kernel functions. Each kernel function has parameters that affect the value of
accuracy, precision, and recall of the SVM algorithm. This study aims to find the best kernel in
detecting DDOS attacks. Based on tests carried out with 544 training data and 4 kernels, using a
confusion matrix and k-fold cross validation with a value of k=5, the dataset was changed to 80
percent of training data and 20 percent of test data resulting in the highest accuracy of 99.08% on
the Sigmoid kernel. The highest precision value was obtained by the linear kernel with a value of
98.93% and the highest recall value was obtained by the RBF kernel with a value of 100%. The
conclusion of this paper is that the average value for all kernels ranges from 97-99% so that the
use of the kernel is too influential to get maximum accuracy, because the distribution of the
training data used can be separated linearly well.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	konsep jaringan dimana terdapat pemisahan antara data plane dan control plane sebagai otak yang mengatur forwarding data.
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4450 Databases
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	10 Feb 2022 06:49
Last Modified:	15 Aug 2022 04:14
URI:	http://eprints.upnyk.ac.id/id/eprint/28299

Actions (login required)

View Item