<![CDATA[Serangan Distributed Denial of Service (DDoS) merupakan salah satu ancaman utama terhadap ketersediaan layanan jaringan yang menuntut sistem deteksi intrusi (Intrusion Detection System / IDS) yang akurat dan efisien. Permasalahan dalam pengembangan IDS berbasis machine learning terletak pada trade-off antara tingkat akurasi deteksi dan efisiensi komputasi, di mana algoritma sederhana cenderung kurang akurat, sementara metode kompleks membutuhkan sumber daya yang besar. Penelitian ini bertujuan untuk menganalisis dan membandingkan efektivitas algoritma Random Forest dan Decision Tree dalam mendeteksi serangan DDoS pada sistem IDS. Metode penelitian dilakukan dengan menggunakan dataset CIC-IDS2017, khususnya skenario Friday-WorkingHours-Afternoon-DDoS, melalui tahapan pra-pemrosesan data, pembagian data latih dan data uji dengan rasio 80:20, serta implementasi model klasifikasi menggunakan pustaka Scikit-learn. Evaluasi kinerja dilakukan berdasarkan metrik akurasi, precision, recall, F1-score, analisis Confusion Matrix, serta waktu pelatihan sebagai indikator efisiensi komputasi. Hasil penelitian menunjukkan bahwa kedua algoritma mampu mencapai tingkat akurasi yang sangat tinggi, yaitu 99,99%. Namun, dari sisi efisiensi, Decision Tree memiliki waktu pelatihan yang jauh lebih cepat dibandingkan Random Forest, sehingga lebih sesuai untuk implementasi IDS yang membutuhkan respons deteksi secara real-time pada sistem dengan keterbatasan sumber daya]]>
Copyrights © 2026
