KLASIFIKASI KATEGORI LAYANAN TRAFIK QUIC MENGGUNAKAN LIGHTGBM DENGAN OPTIMASI OPTUNA PADA DATASET CESNET-QUIC22

Annas Sovianto, . (2026) KLASIFIKASI KATEGORI LAYANAN TRAFIK QUIC MENGGUNAKAN LIGHTGBM DENGAN OPTIMASI OPTUNA PADA DATASET CESNET-QUIC22. Skripsi thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text 1_Cover_123220045_Annas Sovianto.pdf Download (150kB)
	Text 2_Abstrak_123220045_Annas Sovianto.pdf Download (176kB)
	Text 3_Halaman Pengesahan_123220045_Annas Sovianto.pdf Download (772kB)
	Text 4_Daftar Isi_123220045_Annas Sovianto.pdf Download (249kB)
	Text 5_Daftar Pustaka_123220045_Annas Sovianto.pdf Download (191kB)
	Text 6_Skripsi Full_123220045_Annas Sovianto.pdf Restricted to Repository staff only Download (3MB)

Abstract

Adopsi protokol HTTP/3 over Quick UDP Internet Connections (QUIC) dengan TLS 1.3 telah menciptakan tantangan signifikan bagi administrator jaringan. Penerapan enkripsi ini menyebabkan metode Deep Packet Inspection tidak efektif karena ketidakmampuan membaca payload yang terenkripsi sehingga visibilitas terhadap kategori layanan yang melintas di jaringan menjadi terbatas. Permasalahan ini diperparah oleh minimnya kajian klasifikasi pada level kategori layanan di dataset QUIC skala ISP yang mayoritas penelitian terdahulu berfokus pada identifikasi aplikasi spesifik dengan dataset non-QUIC. Oleh karena itu, diperlukan pendekatan klasifikasi non-intrusif yang mampu memetakan kategori layanan pada trafik QUIC tanpa dekripsi.
Penelitian ini membangun model klasifikasi kategori layanan trafik QUIC menggunakan algoritma LightGBM dengan optimasi hyperparameter berbasis Optuna dan evaluasi strategi resampling dalam satu kerangka terpadu. Dataset yang digunakan adalah CESNET-QUIC22 (W-2022-44) yang mencakup 20 juta flows dengan 17 kategori layanan. Prapemrosesan data meliputi data cleaning, label encoding, dan ekstraksi fitur statistik (mean, standard deviation, skewness, kurtosis) dari histogram paket. Optimasi hyperparameter dilakukan menggunakan TPESampler dengan mekanisme pruning adaptif, sedangkan dampak ketidakseimbangan kelas dianalisis melalui tiga strategi resampling, yaitu RUS, SMOTE, dan RUS-SMOTE.
Hasil penelitian menunjukkan bahwa model LightGBM tanpa resampling mencapai accuracy 84,17%, precision 84,14%, recall 84,17%, F1-score 84,00%, AUROC 98,31%, dan AUPRC 92,14%. Optuna meningkatkan accuracy sebesar 15,65% dibandingkan konfigurasi hyperparameter bawaan. Penerapan RUS-SMOTE memunculkan fenomena trade-off berupa penurunan accuracy menjadi 80,77%, tetapi meningkatkan macro recall dari 73,64% menjadi 78,19% untuk kategori layanan minoritas. Analisis feature importance mengidentifikasi bytes_rev (gain 21,41%) sebagai fitur trafik paling diskriminatif, sementara learning_rate (bobot 43,82%) merupakan hyperparameter paling berpengaruh. Temuan ini menunjukkan bahwa klasifikasi trafik QUIC berbasis flow statistics layak diintegrasikan sebagai komponen non-intrusif dalam sistem pemantauan keamanan jaringan.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Annas Sovianto (Penulis - 123220045) Andrey Ferriyan (Pembimbing)
Uncontrolled Keywords:	Klasifikasi Trafik QUIC, LightGBM, Optuna, RUS-SMOTE, CESNET-QUIC22
Subjek:	T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	12 Mar 2026 07:04
Last Modified:	12 Mar 2026 07:04
URI:	http://eprints.upnyk.ac.id/id/eprint/47335

Actions (login required)

View Item