<![CDATA[Software Defined Network (SDN) merupakan salah satu inovasi dalam arsitektur jaringan yang menawarkan fleksibilitas tinggi dengan memisahkan fungsi kontrol dan pengalihan data (forwarding). Meskipun demikian, penerapan SDN tidak lepas dari tantangan, seperti kebutuhan pelatihan sumber daya manusia, proses migrasi dari sistem jaringan konvensional, serta ancaman keamanan seperti serangan Distributed Denial of Service (DDoS). Serangan DDoS dapat mengganggu stabilitas jaringan dengan membanjiri sistem menggunakan lalu lintas data yang berlebihan, sehingga diperlukan metode yang efektif untuk mendeteksinya. Penelitian ini mengusulkan pendekatan kombinasi antara algoritma Random Forest dan Particle Swarm Optimization (PSO) untuk mendeteksi serangan DDoS pada jaringan SDN. Random Forest digunakan untuk melakukan klasifikasi serangan berdasarkan fitur-fitur penting dalam data jaringan, sedangkan PSO berperan dalam mengoptimalkan parameter model agar menghasilkan performa yang lebih optimal. Dalam hal ini, PSO juga digunakan untuk melakukan seleksi fitur, di mana jumlah fitur pada dataset berhasil direduksi dari 80 menjadi 40 fitur paling relevan, sehingga meningkatkan efisiensi dan kinerja model. PSO dipilih karena keunggulannya dalam efisiensi komputasi dan kemampuannya menjaga keseimbangan antara pencarian solusi secara global maupun lokal. Berdasarkan hasil pengujian, metode yang diusulkan mampu meningkatkan kinerja deteksi dengan akurasi sebesar 98%, presisi 98%, recall 98%, dan F1-Score 98%. Jika dibandingkan dengan penggunaan Random Forest tanpa optimisasi, yang hanya menghasilkan akurasi sekitar 88%, terlihat bahwa penerapan PSO memberikan kontribusi nyata dalam meningkatkan performa deteksi. Dengan demikian, kombinasi RF dan PSO dapat menjadi salah satu solusi yang efektif untuk meningkatkan keamanan jaringan SDN terhadap ancaman serangan DDoS. Abstract Software Defined Network (SDN) is one of the innovations in network architecture that offers high flexibility by separating control and data forwarding functions. However, the implementation of SDN is not free from challenges, such as the need for human resource training, the migration process from conventional network systems, and security threats such as Distributed Denial of Service (DDoS) attacks. DDoS attacks can disrupt network stability by flooding the system with excessive data traffic, so an effective method is needed to detect them. This study proposes a combination approach between the Random Forest and Particle Swarm Optimization (PSO) algorithms to detect DDoS attacks on SDN networks. Random Forest is used to classify attacks based on important features in network data, while PSO plays a role in optimizing model parameters to produce more optimal performance. In this case, PSO is also used to perform feature selection, where the number of features in the dataset is successfully reduced from 80 to 40 most relevant features, thereby increasing model efficiency and performance. PSO was chosen because of its advantages in computational efficiency and its ability to maintain a balance between searching for solutions globally and locally. Based on the test results, the proposed method is able to improve detection performance with an accuracy of 98%, precision of 98%, recall of 98%, and F1-Score of 98%. When compared to the use of Random Forest without optimization, which only produces an accuracy of around 88%, it is clear that the application of PSO makes a real contribution to improving detection performance. Thus, the combination of RF and PSO can be an effective solution to improve SDN network security against the threat of DDoS attacks. ]]>
Copyrights © 2026
