Beranda Berita Gabung Riset
Kegiatan Penelitian
Hibah Internal Udinus 2026

Mengatasi Kelas Minoritas Ektrem pada Dataset untuk Meningkatkan Efektifitas Deteksi Serangan DDoS

Tim Peneliti / Pelaksana
Wildanil Ghozi, Ramadhan Rakhmat Sani, Fauzi Adi Rafrastara
Skema / Program
Penelitian Dasar Perguruan Tinggi

Abstrak / Deskripsi

Salah satu jenis serangan siber dengan dampak yang paling signifikan dan memiliki frekuensi kejadian tinggi adalah Distributed Denial of Service (DDoS). Serangan ini kerap menjadi metode utama para penyerang karena mampu menurunkan kinerja jaringan, membuat layanan situs web tidak dapat diakses, bahkan menyebabkan kegagalan pada server. Upaya pendeteksian serangan DDoS secara umum dapat dilakukan melalui dua pendekatan, yaitu anomaly-based detection dan signature-based detection. Kedua metode tersebut terbukti efektif dalam mengidentifikasi pola serangan yang telah diketahui sebelumnya. Namun, pendekatan tradisional ini memiliki keterbatasan dalam mendeteksi serangan yang terus berevolusi dan muncul dengan variasi baru. Berbagai studi telah dilakukan untuk mengembangkan metode deteksi serangan DDoS. Sejumlah penelitian memanfaatkan dataset UNSW-NB15, yang terdiri dari empat berkas dengan total 2.540.047 record. Di antara penelitian tersebut, kinerja terbaik dicapai oleh Bouke dan rekan-rekannya. Dengan menerapkan metode seleksi fitur dan algoritma Decision Tree, penelitian tersebut mampu memperoleh akurasi hingga 98%. Dataset UNSW-NB15 tersebut memiliki karakteristik distribusi kelas yang tidak seimbang. Sekitar 96% instance merupakan kelas Normal, sementara sisanya tersebar ke sembilan kelas lainnya. Lebih dari itu, beberapa kelas bahkan tidak mencapai 1% dari total dataset. Hal tersebut dapat meyebabkan model kurang belajar dari kelas-kelas dengan kondisi minoritas ekstrem. Beberapa penelitian mengusulkan teknik oversampling dan undersampling untuk mengatasi masalah keseimbangan kelas. Namun pada kasus minoritas ekstrim, maka undersampling harus menghapus kelas dominan dengan jumlah yang sangat besar. Begitu juga dengan teknik oversampling yang akan menghasilkan data sintetis yang terlalu besar. Peneliti mengusulkan untuk menggabungkan beberapa kelas minoritas ekstrem untuk dapat dijadikan satu kelas sebagai other attacks. Penelitian ini melakukan pendekatan untuk mempertahankan kaslian record dataset ketika meningkatkan jumlah record pada kelas. Dengan metode yang kami usulkan, diharapkan dapat menghasilkan model klasifikasi yang mampu mengenali serangan dengan baik mesekipun keterbatasan dalam membedakan tipe serangan. Penelitian ini akan menghasilkan luaran utama berupa publikasi pada jurnal Kinetik dengan alamat url: https://kinetik.umm.ac.id/index.php/kinetik.