Analisis Perbandingan Algoritma Decision Tree dengan Random Forest dalam Deteksi Bot DDOS

Kristianto Pratama Dessan Putra, Rianto Rianto, EIH Ujianto

Abstract

Abstrak : 

Tingkat penetrasi internet yang semakin meningkat setiap tahunnya juga berpengaruh pada banyaknya peralihan layanan dari konvensional ke platform internet. Peralihan layanan tersebut terbukti membawa dampak baik, seperti meningkatnya volume penjualan produk. Namun, di sisi lain dengan semakin banyaknya peralihan layanan ke platform internet maka semakin banyak pula celah-celah keamanan yang dapat dieksploitasi, salah satunya serangan bot DDos. Oleh karena itu, diperlukan adanya sistem yang mampu mendeteksi serangan bot DDos dan algoritma yang akan dianalisis dalam penelitian ini adalah Decision Tree dan Random Forest. Penelitian ini akan membandingkan kedua algoritma tersebut untuk menentukan algoritma yang paling optimal dalam mendeteksi serangan bot DDos. Penelitian ini menggunakan dua dataset dalam proses implementasi algoritma, yaitu KDD CUP 1999 dan CICIDS 2017. Ruang lingkup dari perbandingan kedua algoritma meliputi tingkat akurasi dan durasi waktu pemrosesan data. Hasil dari penelitian menunjukkan bahwa algoritma Random Forest unggul tipis dalam hal tingkat akurasi dibandingkan dengan Decision Tree, yaitu 0.9998 untuk Random Forest berbanding 0.9997 untuk Decision Tree. Namun, algoritma Decision Tree unggul jauh dalam hal durasi waktu dibandingkan dengan Random Forest, yaitu 20-30 detik untuk Decision Tree berbanding 210-300 detik untuk Random Forest. Hal tersebut dapat terjadi dikarenakan Random Forest memproses lebih banyak pohon kemungkinan dibandingkan Decision Tree.

=============================================

Abstract : 

The increasing internet penetration each year also affects the shift of services from conventional methods to internet platforms. This shift has proven to bring positive impacts, such as an increase in product sales volume. However, there are increasingly more security vulnerabilities that can be exploited, such as DDoS bot attacks. Therefore, a system that capable to detect bot DDoS attacks is needed. This study compares these two algorithms (Decision Tree and Random Forest) to determine which is the most optimal for detecting bot DDoS attacks. The scope of the comparison includes accuracy levels and data processing time. The results show that Random Forest slightly outperforms Decision Tree in terms of accuracy, with a score of 0.9998 for Random Forest compared to 0.9997 for Decision Tree. However, Decision Tree is significantly superior in processing time compared to Random Forest (20–30 seconds for Decision Tree versus 210–300 seconds for Random Forest). This occurs because Random Forest processes more trees than Decision Tree. 

Keywords

bot ddos;decision tree;random forest

Full Text:

PDF

References

[1] M. R. Aisy, “Tren Bisnis Online: Analisis Perubahan Konsumen Dan Strategi Pengembangan Bisnis di Era Digital,” J. Compr. Sci., vol. 3, pp. 750–755, 2024.

[2] M. Wida Rahmayani, N. Hernita, A. Gumilang, and W. Riyadi, “Pengaruh Digital Marketing Terhadap Peningkatan Volume Penjualan Hasil Industri Rumahan Desa Cibodas,” Coopetition J. Ilm. Manaj., vol. 14, no. 1, pp. 131–140, 2023, doi: 10.32670/coopetition.v14i1.1428.

[3] D. Syahroni and Nurjaya, “Optimasi Metode Naïve Bayes dengan Particle Swarm Optimization untuk Sistem Deteksi Serangan D-Dos,” J. Pendidik. dan Konseling, vol. 4, 2022.

[4] R. TEKİN, O. YAMAN, and T. TUNCER, “Decision Tree Based Intrusion Detection Method in the Internet of Things,” Int. J. Innov. Eng. Appl., vol. 6, no. 1, pp. 17–23, Jun. 2022, doi: 10.46460/ijiea.970383.

[5] M. S. Rafsanjani, V. Suryani, and R. R. Pahlevi, “Deteksi Serangan Botnet Pada Jaringan Internet of Things Menggunakan Algoritma Random Forest (RF),” e-Proceeding Eng., vol. 9, no. 1, pp. 1862–1871, 2022.

[6] Y. Yanti, T. Hidayat, N. Nurhanif, N. Safana, and P. N. P. Anggayoni, “Deteksi Serangan Distributed Deniel of Service Pada Jaringan Sensor Nirkabel Menggunakan Support Vector Machine,” G-Tech J. Teknol. Terap., vol. 8, no. 4, pp. 2687–2697, Oct. 2024, doi: 10.70609/gtech.v8i4.5428.

[7] D. P. Sari, Z. Halim, I. Irlon, B. Waseso, and S. Saromah, “Implementasi Machine Learning untuk Deteksi Intrusi pada Jaringan Komputer,” J. Minfo Polgan, vol. 13, no. 2, pp. 1389–1394, Sep. 2024, doi: 10.33395/jmp.v13i2.14074.

[8] I. Maulana and Alamsyah, “Optimalisasi Deteksi Serangan DDoS Menggunakan Algoritma Random Forest, SVM, KNN dan MLP pada Jaringan Komputer,” Indones. J. Math. Nat. Sci., vol. 46, pp. 83–92, 2023.

[9] A. T. Zy, A. T. Sasongko, and A. Z. Kamalia, “Penerapan Naïve Bayes Classifier, Support Vector Machine, dan Decision Tree untuk Meningkatkan Deteksi Ancaman Keamanan Jaringan,” Media Online), vol. 4, no. 1, pp. 610–617, 2023, doi: 10.30865/klik.v4i1.1134.

[10] S. Rabbani and D. Diana, “Prediksi Kategori Serangan Siber dengan Algoritma Klasifikasi Random Forest Menggunakan Rapidminer,” SMATIKA J., vol. 13, no. 02, pp. 284–293, Dec. 2023, doi: 10.32664/smatika.v13i02.934.

[11] K. B. Dasari and N. Devarakonda, “Detection of DDoS Attacks Using Machine Learning Classification Algorithms,” Int. J. Comput. Netw. Inf. Secur., vol. 14, no. 6, pp. 89–97, Dec. 2022, doi: 10.5815/ijcnis.2022.06.07.

[12] R. N. Ramadhon, A. Ogi, A. P. Agung, R. Putra, S. S. Febrihartina, and U. Firdaus, “Implementasi Algoritma Decision Tree untuk Klasifikasi Pelanggan Aktif atau Tidak Aktif pada Data Bank,” Karimah Tauhid, vol. 3, 2024.

[13] Z. M. J. Nafis, R. Nazilla, R. Nugraha, and S. Uyun, “Perbandingan Algoritma Decision Tree dan K-Nearest Neighbor untuk Klasifikasi Serangan Jaringan IoT,” Komputika J. Sist. Komput., vol. 13, no. 2, pp. 245–252, Oct. 2024, doi: 10.34010/komputika.v13i2.12609.

[14] J. J. Praba and R. Sridaran, “An SDN-based Decision Tree Detection (DTD) Model for Detecting DDoS Attacks in Cloud Environment,” IJACSA) Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 7, 2022, [Online]. Available: www.ijacsa.thesai.org

[15] Wahyuni and Pitrasacha Adytia, “Perbandingan Algoritma Machine Learning Dalam Mendeteksi Serangan DDOS,” TEMATIK, vol. 9, no. 2, pp. 161–166, Nov. 2022, doi: 10.38204/tematik.v9i2.1070.

[16] D. P. Sinambela, H. Naparin, M. Zulfadhilah, and N. Hidayah, “Implementasi Algoritma Decision Tree dan Random Forest dalam Prediksi Perdarahan Pascasalin,” J. Inf. dan Teknol., vol. 5, no. 3, pp. 58–64, Sep. 2023, doi: 10.60083/jidt.v5i3.393.

[17] E. A. Winanto, Y. Novianto, S. Sharipuddin, I. S. Wijaya, and P. A. Jusia, “Peningkatan Performa Deteksi Serangan Menggunakan Metode PCA dan Random Forest,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 2, pp. 285–290, Apr. 2024, doi: 10.25126/jtiik.20241127678.

[18] M. Alduailij, Q. W. Khan, M. Tahir, M. Sardaraz, M. Alduailij, and F. Malik, “Machine-Learning-Based DDoS Attack Detection Using Mutual Information and Random Forest Feature Importance Method,” Symmetry (Basel)., vol. 14, no. 6, Jun. 2022, doi: 10.3390/sym14061095.

[19] S. Chorev et al., “Deepchecks: A Library for Testing and Validating Machine Learning Models and Data,” J. Mach. Learn. Res., vol. 23, pp. 1–6, 2022.

[20] J. Kaliappan, A. R. Bagepalli, S. Almal, R. Mishra, Y. C. Hu, and K. Srinivasan, “Impact of Cross-Validation on Machine Learning Models for Early Detection of Intrauterine Fetal Demise,” Diagnostics, vol. 13, no. 10, pp. 1–22, 2023, doi: 10.3390/diagnostics13101692.

DOI: https://doi.org/10.20961/ijai.v10i1.103161

Refbacks

  • There are currently no refbacks.