<![CDATA[Serangan Distributed Denial of Service (DDoS) merupakan ancaman serius bagi keamanan jaringan modern karena mampu melumpuhkan layanan digital secara masif. Penelitian ini menyoroti pentingnya sistem deteksi intrusi (Intrusion Detection System/IDS) yang tangguh dalam menghadapi serangan tersebut, terutama dengan pendekatan pembelajaran mesin. Permasalahan utama yang diangkat adalah bagaimana meningkatkan akurasi deteksi serangan dalam kondisi distribusi data yang tidak seimbang. Penelitian ini bertujuan untuk mengevaluasi efektivitas IDS berbasis algoritma XGBoost dalam mengidentifikasi lalu lintas jaringan berbahaya, khususnya serangan DDoS, dengan memanfaatkan dataset CICIDS2017. Metode yang digunakan meliputi pra-pemrosesan data, penyeimbangan kelas menggunakan undersampling, normalisasi fitur, pelatihan model dengan XGBoost, serta optimasi hyperparameter melalui grid search. Evaluasi kinerja dilakukan menggunakan metrik precision, recall, F1-score, confusion matrix, dan ROC-AUC. Hasil menunjukkan bahwa model mencapai nilai di atas 99% untuk seluruh metrik evaluasi, menandakan performa deteksi yang sangat baik. Penelitian ini menyimpulkan bahwa kombinasi balancing data dan optimasi XGBoost mampu menghasilkan IDS yang andal dalam skenario simulasi serangan DDoS, serta menyoroti pentingnya pengujian lanjutan pada data nyata untuk mengukur kemampuan generalisasi sistem.]]>
Copyrights © 2025
