Analysis of DDoS Attack Detection Using Neural Network Backpropagation Approach

Authors

  • Ahmad Fajri Khumara Trisakti University
  • Agung Sediyono Trisakti University
  • Gatot Budi Santoso Trisakti University

DOI:

https://doi.org/10.24114/cess.v7i1.27090

Keywords:

Serangan Distributed Denial of Service, Arsitektur Jaringan Syaraf Tiruan, NNToolBox, MATLAB, Mean Square Error

Abstract

Distributed Denial of Service (DDoS) adalah suatu serangan yang dimana memiliki volume, intensitas, serta biaya mitigasi yang akan terus meningkat sejalan dengan pertumbuhannya skala dari suatu instansi. Pada penelitian ini, peneliti mempunyai tujuan untuk menerapkan suatu konfigurasi terbaik dalam sebuah arsitektur jaringan syaraf tiruan guna meningkatkan tingkat akurasi yang sangat tinggi pada pendeteksian serangan DDoS menggunakan algoritma Backpropagation. Data yang digunakan dalam penelitian ini adalah data trafic jaringan dimana sudah ditandai keterangan DDoS tidaknya dari masing “ masing data. Penelitian ini dilaksanakan menggunakan aplikasi Matlab berserta fiturnya yaitu NNToolBox. Dengan menguji 12 jenis Training Function berserta arsitektur Hidden Layer. Berdasarkan dari uji coba tersebut, nilai Error (MSE) paling minimal didapatkan sebesar 0,0585 dengan menggunakan Training Function trainbr serta arsitektur Hidden Layer berbentuk 3 lapisan dengan tiap lapisan terdapat masing “ masing 4 neuron.

References

P. Potocnik, Neural Networks: MATLAB examples Neural. Neural Networks course (practical examples), 2012.

B. C, Panduan Penanganan Insiden Keamanan Jaringan. Indonesia: CSIRT-Badan Pengkajian dan Penerapan Teknologi, 2014.

S. N. Hutagalung, œMENGGUNAKAN APLIKASI MATLAB METODE SIMULINK Siti Nurhabibah Hutagalung Jurusan Teknik Informatika, STMIK Budi Darma, J. Sci. Soc. Res., vol. 1, no. 1, pp. 30“35, 2018.

I. Parinduri, œMODEL DAN SIMULASI RANGKAIAN RLC MENGGUNAKAN APLIKASI MATLAB METODE SIMULINK, J. Sci. Soc. Res., vol. 1, no. 1, pp. 42“47, 2018.

M. Chambali, A. W. Muhammad, and Harsono, œKlasifikasi Paket Jaringan Berbasis Analisis Statistik dan Neural Network, J. Pengemb. IT, vol. 3, no. 1, pp. 67“70, 2018.

J. T. Syafiie Nur LuthfieInformatika and U. Gunadarma, œImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0, Universitas Gunadarma, 2007.

P. Gasti, G. Tsudik, E. Uzun, and L. Zhang, œDoS and DDoS in named data networking, Proc. - Int. Conf. Comput. Commun. Networks, ICCCN, 2013, doi: 10.1109/ICCCN.2013.6614127.

J. Chris, J. Sihombing, D. P. Kartikasari, and A. Bhawiyuga, œImplementasi Sistem Deteksi dan Mitigasi Serangan Distributed Denial of Service (DDoS) menggunakan SVM Classifier pada Arsitektur Software- Defined Network (SDN), J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 10, pp. 9608“9613, 2019.

A. W. Muhammad, I. Riadi, and S. Sunardi, œDeteksi Serangan DDoS Menggunakan Neural Network dengan Fungsi Fixed Moving Average Window, JISKA (Jurnal Inform. Sunan Kalijaga), vol. 1, no. 3, p. 115, 2017, doi: 10.14421/jiska.2017.13-03.

N. A. Tindriyani, œIMPLEMENTASI NEURAL NETWORK PADA MATLAB UNTUK PERAMALAN KONSUMSI BEBAN LISTRIK KABUPATEN PONOROGO JAWA TIMUR, Universitas Negeri Semarang, 2017.

Y. Pan, Y. Wang, P. Zhou, Y. Yan, and D. Guo, œActivation functions selection for BP neural network model of ground surface roughness, J. Intell. Manuf., vol. 31, no. 8, pp. 1825“1836, 2020, doi: 10.1007/s10845-020-01538-5.

F. Pramudhito, Y. Purwanto, and A. Novianty, œPERBANDINGAN METODE SAMPLING DAN DIMENSIONALITY REDUCTION UNTUK MEREDUKSI KOMPLEKSITAS ALGORITMA DETEKSI PADA DDOS, in e-Proceeding of Engineering, 2017, vol. 4, no. 1, pp. 924“931.

A. Tjolleng, Pengantar pemrograman MATLAB: Panduan praktis belajar MATLAB. Jakarta: Elex Media Komputindo, 2017.

I. ADESTY, œPENERAPAN INTRUSION PREVENTION SYSTEM SEBAGAI PENGAMANAN DARI SERANGAN DDoS (DISTRIBUTED DENIAL OF SERVICE), INSTITUT TEKNOLOGI TELKOM PURWOKERTO, 2019.

M. A. Kurniawan, œPenerapan Metode Feed Forward Neural Network (Ffnn) Backpropagation Untuk, UNIVERSITAS NEGERI SEMARANG, 2017.

S. Dwiyatno, A. P. Sari, A. Irawan, and S. Safig, œPENDETEKSI SERANGAN DDoS (DISTRIBUTED DENIAL OF SERVICE) MENGGUNAKAN HONEYPOT DI PT. TORINI JAYA ABADI, J. Sist. Inf. dan Inform., vol. 2, no. 2, pp. 64“80, 2019, doi: 10.47080/simika.v2i2.606.

M. S. Elsayed, N. A. Le-Khac, S. Dev, and A. D. Jurcut, œDDoSNet: A Deep-Learning Model for Detecting Network Attacks, in Proceedings - 21st IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks, WoWMoM 2020, 2020, pp. 391“396, doi: 10.1109/WoWMoM49955.2020.00072.

J. Li, Y. Liu, and L. Gu, œDDoS attack detection based on neural network, 2010 2nd Int. Symp. Aware Comput., pp. 196“199, 2010, doi: 10.1109/ISAC.2010.5670479.

S. Karsoliya, œApproximating Number of Hidden layer neurons in Multiple Hidden Layer BPNN Architecture, Int. J. Eng. Trends Technol., vol. 3, no. 6, pp. 714“717, 2012.

H. Effendi, œAplikasi Logika Fuzzy untuk Peramalan Beban Listrik Jangka Pendek Menggunakan Matlab, Sainstek, vol. 12, no. 1, pp. 52“58, 2009, [Online]. Available: http://ejournal.unp.ac.id/index.php/sainstek/article/view/149.

B. Mardiyanto, T. Indriyani, and I. M. Suartana, œAnalisis Dan Implementasi Honeypot Dalam Mendeteksi Serangan Distributed Denial-Of-Services (DDOS) Pada Jaringan Wireless, Integer J., vol. 1, no. 2, pp. 32“42, 2016.

A. W. Muhammad, œAnalisis Statistik Log Jaringan Untuk Deteksi Serangan Ddos Berbasis Neural Network, J. Ilm. Ilk., vol. 8, no. 3, pp. 220“225, 2016, doi: 10.33096/ilkom.v8i3.76.220-225.

Downloads

Published

2022-01-05

Issue

Vol. 7 No. 1 (2022): January 2022

Section

Articles

License

Copyright (c) 2022 CESS (Journal of Computer Engineering, System and Science)

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.