Pengembangan Model Ensemble Stacking Untuk Klasifikasi Serangan Distributed Denial Of Service

Abstract

Serangan Distributed Denial of Service (DDoS) merupakan salah satu bentuk ancaman siber yang umum terjadi dan berdampak serius karena dapat melumpuhkan layanan jaringan dengan membanjiri lalu lintas dari berbagai sumber secara bersamaan. Kompleksitas dan variasi serangan ini menjadikan proses deteksi semakin menantang, terutama dalam konteks klasifikasi multiclass yang menuntut identifikasi jenis serangan secara spesifik. Penelitian ini bertujuan untuk membangun model klasifikasi serangan DDoS berbasis ensemble learning dengan pendekatan stacking, untuk meningkatkan akurasi dan ketahanan model klasifikasi. Dataset CIC-DDoS2019 digunakan karena memuat beragam jenis serangan DDoS dan lalu lintas normal. Proses penelitian mencakup tahapan pengumpulan data, analisis data eksploratif, pembersihan data, transformasi label, pembagian data latih dan uji, penskalaan data, serta seleksi fitur. Delapan algoritma machine learning diuji, meliputi Naïve Bayes, K-Nearest Neighbors, Support Vector Machine, Logistic Regression, Decision Tree, Random Forest, AdaBoost, dan XGBoost. Model stacking dalam penelitian ini mengadopsi dan mengevaluasi empat kombinasi base learner dan meta learner yang diadaptasi dari studi sebelumnya, serta satu kombinasi model stacking yang diusulkan oleh peneliti berdasarkan analisis performa model individual. Model stacking yang diusulkan oleh peneliti menggabungkan Random Forest, AdaBoost, XGBoost, dan Decision Tree sebagai base learner, dengan Logistic Regression sebagai meta learner. Evaluasi model dilakukan berdasarkan metrik accuracy, precision, recall, f1-score, ROC-AUC, dan inference time. Hasil eksperimen menunjukkan bahwa model stacking yang diusulkan peneliti mampu mencapai accuracy hingga 0,7965 dan nilai AUC sebesar 0,9832, serta mengungguli sebagian besar model individual dalam hal accuracy, precision, recall, f1-score, dan nilai AUC. Namun demikian, model ini memiliki waktu inference yang relatif tinggi, sehingga meskipun efektif dalam meningkatkan accuracy klasifikasi serangan DDoS perlu mempertimbangkan efisiensi komputasi secara lebih lanjut.