Penerapan Algoritma Random Forest Dan Support Vector Machine Untuk Deteksi Distributed Denial of Service (DDoS)

Serangan Distributed Denial of Service (DDoS) secara signifikan mengancam ketersediaan layanan jaringan modern dengan banyaknya sumber daya menggunakan jaringan berbahaya. Kompleksitas serangan ini yang semakin meningkat, termasuk varian multi-vektor dan berkecepatan rendah, mengurangi efektivitas metode deteksi tradisional yang berbasis manual dan statis. Penelitian ini mengeksplorasi efektivitas algoritma Random Forest (RF) dan Support Vector Machine (SVM) dalam mendeteksi serangan DDoS menggunakan dataset CICDDoS2019, dengan fokus pada dampak nilai threshold yang berbeda terhadap kinerja.Dataset CICDDoS2019 terdiri dari 431.371 aliran lalu lintas jaringan dengan 80 fitur numerik. Prasunting melibatkan penghapusan nilai null, standarisasi atribut numerik, dan pengkodean label menjadi klasifikasi biner lalu lintas normal dan DDoS. Dataset kemudian dibagi menjadi set pelatihan dan pengujian dengan rasio 70:30. Evaluasi kinerja dilakukan menggunakan matriks kebingungan untuk menghitung akurasi, presisi, recall, dan skor F1. Hasil menunjukkan bahwa kedua algoritma berkinerja baik, tetapi Random Forest menawarkan konsistensi yang lebih tinggi, dengan ambang batas 0,5 mencapai keseimbangan terbaik dalam metrik. Keywords: DDoS, Machine Learning, Random Forest, Support Vector Machine, Threshold