DETEKSI SERANGAN DDOS UDP FLOOD PADA JARINGAN IoT MENGGUNAKAN RECURRENT NEURAL NETWORK (RNN)

Warcita, Warcita (2024) DETEKSI SERANGAN DDOS UDP FLOOD PADA JARINGAN IoT MENGGUNAKAN RECURRENT NEURAL NETWORK (RNN). Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (21kB)
	Text BAB II.pdf Restricted to Registered users only Download (390kB)
	Text BAB III.pdf Restricted to Registered users only Download (355kB)
	Text BAB IV.pdf Restricted to Registered users only Download (426kB)
	Text BAB V.pdf Download (9kB)
	Text DAFTAR PUSTAKA.pdf Download (321kB)

Abstract

IoT (Internet of Things) merupakan sebuah konsep dimana sebuah objek dapat melakukan transfer data melalui jaringan tanpa perlu adanya interaksi dengan manusia. Kompleksnya jaringan IoT menjadi rentan terhadap serangan cyber seperti serangan DDoS UDP Flood, serangan UDP Flood dapat membuat komputer server menjadi down akibat dari banyaknya paket udp yang diterima oleh komputer server salah satu cara untuk melakukan deteksi serangan pada jaringan IoT yaitu menggunakan Intrusion Detection System (IDS) metode deep learning, metode deep learning yang digunakan yaitu Recurrent Neural Network (RNN), dimana metode RNN memiliki kelebihan yaitu dapat melakukan pemrosesan secara berulang dimana setiap output dari hidden layer akan mengalami perulangan sehingga menghasilkan output yang akurat. Maka dari itu pada penelitian ini mengusulkan menggunakan metode RNN dalam melakukan deteksi serangan DDoS UDP Flood pada jaringan IoT. Pengujian dalam penelitian ini menggunakan 10 dataset yang bersumber dari CICIOT2023 dan menggunakan dua jenis serangan yaitu DDoS UDP Flood dan BenignTraffic serta dilakukan pengujian dengan menggunakan tiga parameter epoch (iterasi) diantaranya 10, 50, dan 100. Hasil dari pengujian menggunakan metode Recurrent Neural Network (RNN) menggunakan epoch 100 lebih unggul, menunjukan performa yang memuaskan dengan nilai accuracy mencapai 98%, precision 99%, recall 99%, dan f1-score 99%.

Actions (login required)

View Item