<![CDATA[Serangan Distributed Denial of Service (DDoS) yang semakin kompleks menuntut sistem deteksi andal. Penelitian ini menganalisis pengaruh pemilihan fitur (feature selection) dan penyesuaian hyperparameter terhadap kinerja Random Forest dan XGBoost dalam mendeteksi serangan DDoS. Pendekatan eksperimental dengan 16 skenario diterapkan pada dataset jaringan konvensional (CIC-DDoS2019) dan IoT (CIC-IoT2023). Hasil menunjukkan strategi optimasi efektif bergantung pada algoritma dan konteks jaringan. Model Random Forest yang dioptimalkan sepenuhnya (FS+HT) menjadi yang paling unggul di kedua dataset, mencapai Macro F1-Score 0,7347 pada CIC-DDoS2019 dan 0,9994 pada CIC-IoT2023. Sebaliknya, kinerja XGBoost menurun setelah optimasi. Analisis fitur mengungkap deteksi pada jaringan konvensional bergantung pada statistik ukuran paket, sedangkan pada jaringan IoT bertumpu pada anomali pola waktu. Kesimpulan utama adalah adanya trade-off signifikan antara peningkatan kinerja dan efisiensi komputasi. Lonjakan Total Execution Time yang masif (hingga lebih dari 42 kali lipat) akibat optimasi menjadikan model Baseline Random Forest sebagai pilihan yang lebih praktis dan efisien untuk implementasi nyata.]]>
Copyrights © 2025
