Optimasi Deteksi DDoS Berbasis Hybrid CNN-LSTM dengan Recursive Feature Elimination pada Software-Defined Networking
Kata Kunci:
DDoS, Software-Defined Networking, Deep Learning, Hybrid CNN-LSTM, Recursive Feature Elimination (RFE),Abstrak
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.
Unduhan
Referensi
H. Ulfa, A. I. Basuki, G. M. Suranegara, and A. Fauzi, “Sistem Pengamanan Jaringan SDN dari Serangan DDoS Berbasis Multi Controller dan Load Balancer,” Jan. 2024. doi: 10.32520/stmsi.v13i2.3802.
[2] A. A. Bahashwan, M. Anbar, S. Manickam, T. A. Al-Amiedy, and I. H. Hasbullah, “A deep learning approach to detect DDoS flooding attacks on SDN controller,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 38, no. 2, pp. 1245–1255, May 2025, doi: 10.11591/ijeecs.v38.i2.pp1245-1255.
[3] A. Sanmorino, L. Marnisah, and H. Di Kesuma, “Detection of DDoS Attacks using Fine-Tuned Multi-Layer Perceptron Models,” Engineering, Technology and Applied Science Research, vol. 14, no. 5, pp. 16444–16449, 2024, doi: 10.48084/etasr.8362.
[4] F. Azhari, B. Hananto, and I. Ernawati, “Perbandingan Kinerja Algoritma Dalam Klasifikasi Serangan DDoS Berdasarkan Data CIC IoMT Dataset,” Informatik: Jurnal Ilmu Komputer, vol. 21, no. 2, pp. 115–127, Aug. 2025, doi: 10.52958/iftk.v21i2.11467.
[5] Y. Yanti, T. Hidayat, N. Nurhanif, N. Safana, and P. N. P. Anggayoni, “Deteksi Serangan Distributed Deniel of Service Pada Jaringan Sensor Nirkabel Menggunakan Support Vector Machine,” G-Tech: Jurnal Teknologi Terapan, vol. 8, no. 4, pp. 2687–2697, Oct. 2024, doi: 10.70609/gtech.v8i4.5428.
[6] T. Yuliswar, I. Elfitri, and O. W. Purbo, “Optimalisasi Sistem Deteksi Intrusi Menggunakan Machine Learning Untuk Deteksi Serangan Terdistribusi Pada Server,” JURNAL INOVTEK POLBENG, vol. 10, no. 1, pp. 367–376, Mar. 2025, doi: 10.35314/vem9da98.
[7] Y. Irawan, R. Pramitasari, W. M. Ashari, and A. N. H. Yansyah, “Support Vector Machine Classification Algorithm for Detecting DDoS Attacks on Network Traffic,” Journal of Applied Informatics and Computing (JAIC), vol. 9, no. 4, pp. 1945–1954, 2025, doi: 10.30871/jaic.v9i4.10003.
[8] M. A. Fathurrahman and D. W. Prabowo, “Perbandingan Performa Algoritma Random Forest dan SVM Dalam Mendeteksi serangan DDoS di Jaringan Cloud,” Jurnal Riset Rekayasa Elektro, vol. 7, no. 2, pp. 193–202, Dec. 2025, doi: 10.30595/jrre.v7i2.27866.
[9] D. Kiswanto, F. Ramadhani, N. M. Surbakti, and N. A. Nasution, “Pengembangan dan Implementasi Sistem Deteksi Serangan DDoS Berbasis Algoritma Random Forest,” Bulletin of Information Technology (BIT), vol. 6, no. 3, pp. 247–256, 2025, doi: 10.47065/bit.v5i2.2203.
[10] A. Ekawijana, A. Bakhrun, and M. T. Kurniawan, “Deteksi Serangan DDOS Pada Jaringan SDN dengan Metode Random Forest,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 8, no. 1, pp. 685–694, Jan. 2024, doi: 10.30865/mib.v8i1.6928.
[11] L. I. Uzlah, R. A. Saputra, and Isnawaty, “DETEKSI SERANGAN SIBER PADA JARINGAN KOMPUTER MENGGUNAKAN METODE RANDOM FOREST,” Jurnal Mahasiswa Teknik Informatika (JATI), vol. 8, no. 3, pp. 2787–2793, 2024, doi: 10.36040/jati.v8i3.8891.
[12] S. Joses, S. Quinevera, R. Mardianto, D. Yulvida, and A. M. Shiddiqi, “Pendekatan Metode Ensemble Learning untuk Deteksi Serangan DDoS menggunakan Soft Voting Classifier,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 10, no. 1, pp. 79–87, 2024, doi: 10.26418/jp.v10i1.73241.
[13] R. Purba, W. S. Lestari, and M. Ulina, “Deteksi Serangan DDoS Mengunakan Deep Q-Network,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 9, no. 1, pp. 648–658, Mar. 2022, [Online]. Available: http://jurnal.mdp.ac.id
[14] M. A. Ridho and M. Arman, “Analisis Serangan DDoS Menggunakan Metode Jaringan Saraf Tiruan,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 9, no. 3, pp. 373–379, Aug. 2020, doi: 10.32736/sisfokom.v9i3.945.
[15] Z. P. Putro and A. Desianty, “Classification of Cyber Attacks on Software-Defined Networking (SDN) Using Deep Learning LSTM and GRU,” Journal of Informatics and Communications Technology (JICT), vol. 7, no. 2, pp. 1–10, Dec. 2025, doi: 10.52661.
[16] M. R. Yusuf and Sumarlin, “Penerapan Deep Learning untuk Deteksi Anomali dalam Jaringan Keamanan Siber Menggunakan Recurrent Neural Networks (RNNs),” Blend Sains Jurnal Teknik, vol. 3, no. 4, pp. 460–470, May 2025, doi: 10.56211/blendsains.v3i4.800.
[17] D. Mualfah, R. Ardiansyah, and R. Gunawan, “Classification of DDoS attacks using the random forest method and class weight technique on the CICDDoS2019 dataset,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 6, no. 3, pp. 530–535, Dec. 2025, doi: 10.37859/coscitech.v6i3.10731.
[18] B. Ramadhan, D. Firdaus, and A. R. Rafi, “Teknik SMOTE Sebagai Solusi Imbalance Class dalam Model Deteksi Intrusi DDoS dengan Metode PCA-Random Forest,” MIND (Multimedia Artificial Intelligent Networking Database) Journal, vol. 8, no. 1, pp. 52–64, 2023, doi: 10.26760/mindjournal.v8i1.52-64.
[19] H. A. Damanik and M. Anggraeni, “Analisis dan Mitigasi Kerentanan DDoS pada Infrastuktur Jaringan dengan Teknik Hierarchical Clustering dan Firewall IPTables,” Jurnal Pekommas, vol. 10, no. 1, pp. 29–38, 2025, doi: 10.56873/jpkm.v9i1.5551.
[20] E. A. Winanto, Y. Novianto, S. Sharipuddin, I. S. Wijaya, and P. A. Jusia, “Peningkatan Performa Deteksi Serangan Menggunakan Metode PCA dan Random Forest,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 2, pp. 285–290, Apr. 2024, doi: 10.25126/jtiik.20241127678.
[21] E. Hariyanti, D. P. Hostiadi, Anggreni, Y. P. Atmojo, I. M. D. Susila, and I. Tangkawarow, “Analisis Perbandingan Metode Seleksi Fitur pada Model Klasifikasi Decission Tree untuk Deteksi Serangan di Jaringan Komputer,” JURNAL SISTEM DAN INFORMATIKA (JSI), vol. 18, no. 2, pp. 208–217, 2024, doi: 10.30864/jsi.v18i2.615.
[22] N. A. Maori and N. Azizah, “Penerapan Recursive Feature Elimination (RFE) pada Tree-Based Classifier untuk Identifikasi Risiko Diabetes,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 6, no. 2, pp. 465–471, 2024.
[23] A. M. Priyatno, W. F. R. Sudirman, R. J. Musridho, and F. Amalia, “Impurity-Based Important Features for feature selection in Recursive Feature Elimination for Stock Price Forecasting,” Jurnal Teknik Industri Terintegrasi (JUTIN), vol. 6, no. 4, pp. 1182–1194, 2023, doi: 10.31004/jutin.v6i4.17726.
[24] A. Halbouni, T. S. Gunawan, M. H. Habaebi, M. Halbouni, M. Kartiwi, and R. Ahmad, “CNN-LSTM: Hybrid Deep Neural Network for Network Intrusion Detection System,” IEEE Access, vol. 10, pp. 99837–99849, 2022, doi: 10.1109/ACCESS.2022.3206425.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 InComTech : Jurnal Telekomunikasi dan Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
