Peningkatan Klasifikasi Serangan DDoS pada SDN Menggunakan XGBoost dan RAMOBoost

Abstract

Tujuan dari penelitian ini adalah untuk mendeteksi serangan Distributed Denial of Service (DDoS) pada jaringan Software Defined Networking (SDN) menggunakan algoritma XGBoost dan teknik balancing RAMOBoost guna mengatasi permasalahan ketidakseimbangan data. SDN menawarkan fleksibilitas dalam manajemen jaringan, namun tetap rentan terhadap serangan DDoS. Dataset yang digunakan terdiri dari dua kelas (normal dan serangan) dengan distribusi yang tidak seimbang. XGBoost dipilih karena kemampuannya dalam menghasilkan prediksi yang akurat, sementara RAMOBoost digunakan untuk memperkuat representasi data pada kelas minoritas. Hasil penelitian menunjukkan bahwa sebelum penyeimbangan, model menghasilkan precision 100% pada kelas mayoritas dan 96% pada kelas minoritas, serta recall masing-masing sebesar 97% dan 100%. Setelah diterapkan RAMOBoost, precision dan recall menjadi lebih seimbang di kisaran 97%–99%, dengan akurasi tetap tinggi sebesar 98%. Analisis Grouped Feature Importance menunjukkan bahwa pengacakan fitur penting menurunkan akurasi dari 97,88% menjadi 49,78%, sedangkan pengacakan fitur tidak penting hanya menurunkan akurasi menjadi 97,82%. Kontribusi utama dari penelitian ini adalah penerapan gabungan metode RAMOBoost dan XGBoost yang terbukti efektif dalam meningkatkan performa klasifikasi pada data tidak seimbang, serta menegaskan pentingnya pemilihan fitur dalam menjaga stabilitas model. Temuan ini dapat memberikan kontribusi bagi pengelola jaringan dalam mengembangkan sistem deteksi serangan pada lingkungan SDN.