Threshold Profiling untuk Deteksi Serangan DDoS Menggunakan DBSCAN pada Dataset CIC-IDS2017

Latar Belakang: Serangan Distributed Denial of Service (DDoS) merupakan salah satu ancaman dalam keamanan jaringan yang dapat mengganggu ketersediaan layanan sistem. Deteksi serangan DDoS masih menghadapi tantangan signifikan, khususnya terkait tingginya kesalahan deteksi atau false alarm. Berdasarkan hal tersebut, diperlukan pendekatan deteksi yang mampu membedakan lalu lintas normal dan anomali pada serangan DDoS secara lebih akurat.
Tujuan: Penelitian ini bertujuan untuk mengembangkan sistem deteksi anomali serangan DDoS menggunakan pendekatan threshold profiling menggunakan algoritma DBSCAN pada dataset CIC-IDS2017.
Metode Penelitian: Penelitian ini menggunakan metode eksperimen dengan pendekatan Threshold-Based Detection. Data lalu lintas jaringan dari dataset CICIDS2017 diproses melalui tahapan data cleaning, normalization, dan feature
selection, kemudian diklasterisasi menggunakan algoritma DBSCAN. Selanjutnya dilakukan perhitungan threshold berdasarkan distribusi statistik dari data normal. Setelah mendapatkan konfigurasi yang optimal, kemudian di evaluasi
menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan FPR untuk mengukur efektivitas deteksi.
Hasil: Sistem mampu mendeteksi anomali serangan DDoS dengan akurasi yang tinggi dan tingkat false alarm yang rendah. Algoritma DBSCAN berhasil membentuk klaster valid dari lalu lintas normal, dan threshold yang dihitung dari distribusi data benign mampu membedakan anomali dengan presisi yang baik.
Kesimpulan: Pendekatan threshold profiling berbasis algoritma DBSCAN efektif dalam meningkatkan akurasi deteksi anomali serta mereduksi false alarm dalam serangan DDoS. Sistem yang diimplementasikan dapat menjadi solusi untuk
mendukung sistem keamanan jaringan.