<![CDATA[Intrusion Detection System (IDS) tradisional seringkali tidak mampu mengikuti kecepatan perkembangan serangan, sehingga meninggalkan celah yang dapat dimanfaatkan oleh penyerang. Penelitian ini bertujuan untuk melindungi infrastruktur jaringan dari ancaman keamanan yang semakin kompleks. Dalam penelitian ini, penulis mengusulkan penggunaan model Deep Learning arsitektur CNN VGG-16 pada Intrusion Detection System untuk mitigasi serangan SqL Injection dan Syn Flood dengan proses yang lebih mendalam yaitu dengan penerapan normalisasi data diawal dan teknik augmentation sebagai cara meningkatkan variasi data pelatihan dan mengurangi overfitting. Public dataset yang digunakan CICDDoS2019 dan CSE-CIC-IDS2018. Dengan memanfaatkan kekuatan model Deep Learning dalam mengenali pola serangan yang kompleks dan berubah-ubah, serta teknik augmentation data untuk dapat memberikan tingakat Accuracy yang lebih baik.. Hasil Percobaan menujukkan hasil CNN dengan Arsitektur VGG 16 memiliki Accuracy 99.9261%, loss 0,018590 untuk serangan Syn Flood dan Accuracy 99.9983%, loss 0.001294 untuk Sql Injection. Resnet 50 dengan Accuracy 99.9263% , loss 0.024910 untuk syn flood, Accuracy 99.9962%, loss 0.001749 untuk Sql Injection. InceptionV3 dengan Accuracy 99.7784%, loss 0.015571 untuk serangan syn flood, sedangkan untuk sql injection dengan nilai Accuracy 99.9872% dan loss 0.000392.]]>
Copyrights © 2024
