<![CDATA[Keamanan pada arsitektur Software-Defined Networking (SDN) menghadapi ancaman kritis dari evolusi serangan Distributed Denial of Service (DDoS) yang mengeksploitasi celah Single Point of Failure pada controller. Penelitian ini bertujuan mengoptimalkan model deep learning melalui pengembangan arsitektur Ultra-Fast Hybrid CNN-LSTM yang terintegrasi dengan teknik seleksi fitur Recursive Feature Elimination (RFE). Menggunakan dataset modern CIC-DDoS2019 yang memiliki dimensi tinggi, penelitian ini berhasil mereduksi 77 fitur asli menjadi 25 fitur paling berpengaruh guna mengatasi masalah curse of dimensionality dan meminimalkan beban komputasi. Hasil eksperimen menunjukkan bahwa model optimasi mencapai tingkat akurasi sebesar 91,80% dengan keunggulan signifikan pada aspek efisiensi teknis. Dibandingkan dengan model baseline, arsitektur ini memberikan peningkatan waktu pelatihan sebesar 18,91% lebih cepat 64,42 detik dan responsivitas deteksi 12,63% lebih tinggi dengan latensi hanya 0,00003826 detik per paket. Temuan ini menegaskan bahwa sinergi antara reduksi fitur RFE dan arsitektur hibrida yang ramping sangat efektif dalam menjamin ketersediaan layanan pada infrastruktur SDN secara real-time dengan penggunaan sumber daya yang minimal.]]>
Copyrights © 2026
