<![CDATA[Serangan DDoS (Distributed Denial of Service) semakin berkembang dalam kompleksitas dan skala, mengancam ketersediaan layanan jaringan secara serius. Deteksi yang efektif tidak hanya bergantung pada pemilihan classifier yang tepat, tetapi juga pada rekayasa fitur yang mampu mengisolasi atribut trafik paling diskriminatif dari ruang fitur berdimensi tinggi. Penelitian ini mengusulkan pipeline deteksi DDoS yang mengintegrasikan Recursive Feature Elimination with Cross-Validation (RFECV) untuk seleksi fitur, Random Undersampling untuk menangani ketidakseimbangan kelas, dan classifier Random Forest yang dioptimalkan melalui Grid Search. Eksperimen dilakukan pada dataset benchmark CIC-DDoS2019 yang mencakup 12 jenis serangan DDoS dengan 87 fitur awal. RFECV berhasil mereduksi ruang fitur menjadi 25 atribut dengan skor cross-validation 99,83%. Dengan hyperparameter optimal (n_estimators=300, max_depth=None), model yang diusulkan mencapai akurasi 99,97%, presisi 99,96%, recall 99,95%, dan F1-score 99,95% pada data uji. Analisis ablasi mengkonfirmasi bahwa kombinasi seleksi fitur berbasis wrapper dengan tuning hyperparameter menghasilkan peningkatan F1-score sebesar 0,24 poin absolut dibandingkan baseline. Hasil ini menunjukkan efektivitas pendekatan optimasi terstruktur berbasis komponen untuk deteksi DDoS berperforma tinggi.]]>
Copyrights © 2026
