Evaluasi Kinerja CNN, LSTM, dan DNN untuk Deteksi Serangan DDoS Berbasis Flow features pada Dataset CSE-CIC-IDS2018

Abstrak

Pendekatan deep learning telah terbukti efektif dalam mendeteksi serangan Distributed Denial of Service (DDoS) pada jaringan, terutama melalui analisis flow features. Tujuan penelitian ini adalah mengevaluasi CNN, LSTM, dan DNN dalam mendeteksi serangan DDoS menggunakan flow features pada dataset CSE-CIC-IDS2018. Penelitian ini menggunakan dataset CSE-CIC-IDS2018 untuk mengevaluasi performa CNN, LSTM, dan DNN dalam mendeteksi serangan DDoS berdasarkan flow features. Setiap model dibandingkan secara sistematis dengan algoritma baseline untuk menilai akurasi, presisi, recall, dan F1-score, sehingga diperoleh model paling optimal bagi Network Intrusion Detection System (NIDS). Semua model menunjukkan akurasi sangat tinggi di atas 99%, dengan CNN menonjol sebagai model deep learning terbaik untuk mendeteksi pola DDoS, sementara XGBoost menjadi baseline paling unggul. Hasil ini menegaskan bahwa pemilihan model deteksi harus mempertimbangkan karakteristik data, kompleksitas flow features, dan variasi jenis serangan untuk mencapai performa optimal dalam Network Intrusion Detection System (NIDS). Penelitian ini menunjukkan bahwa baik CNN, DNN, dan LSTM maupun baseline seperti XGBoost mampu mendeteksi serangan DDoS berbasis flow features dengan akurasi di atas 99%, menegaskan efektivitas pendekatan ini dan pentingnya pemilihan model sesuai karakteristik data.