Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

220401167

Judul :

KLASIFIKASI DAN ANALISIS JARINGAN MENGGUNAKAN XGBOOST UNTUK IDENTIFIKASI ARTEFAK DIGITAL SERANGAN UDP FLOOD PADA DATASET CIC-DDOS2019

Penulis :

MOHD. ROBIH APRIYANTO

Abstrak :

ABSTRAK Serangan UDP Flood menghasilkan volume trafik yang sangat besar dan pola komunikasi yang kompleks sehingga analisis jaringan secara konvensional me-lalui pemeriksaan log atau packet capture secara manual menjadi kurang efektif, terutama pada data berskala besar. Penelitian ini bertujuan mengklasifikasikan trafik BENIGN dan DrDoS_UDP serta mengidentifikasi atribut jaringan sebagai artefak digital menggunakan algoritma XGBoost pada dataset CIC-DDoS2019. Tahapan penelitian meliputi exploratory data analysis, balanced sampling, pre-processing, seleksi 20 fitur terbaik menggunakan ANOVA F-test, pembagian data training dan testing, pemodelan XGBoost, evaluasi, 5-fold cross-validation, serta feature importance. Hasil pengujian menunjukkan akurasi training sebesar 99,94% dan testing sebesar 99,70%, dengan rata-rata cross-validation mencapai accuracy 99,88%, precision 99,90%, recall 99,85%, dan F1-score 99,87%. Dari 671 data uji, model mengidentifikasi 411 trafik BENIGN dan 260 DrDoS_UDP, serta seluruh data serangan yang terprediksi menggunakan protokol UDP sebesar 100%. Dengan demikian, tingkat keberhasilan klasifikasi mencapai 99,70% dan XGBoost efektif untuk klasifikasi sekaligus mendukung identifikasi artefak digi-tal serangan UDP Flood. Kata Kunci: analisis jaringan, artefak digital, CIC-DDoS2019, UDP Flood, XGBoost

Abstrak Inggris :

ABSTRACT UDP Flood attacks generate massive traffic volumes and complex communica-tion patterns, making conventional network analysis through manual log or packet-capture inspection less effective, particularly for large-scale data. This study aims to classify BENIGN and DrDoS_UDP traffic and identify network at-tributes as digital artifacts using the XGBoost algorithm on the CIC-DDoS2019 dataset. The research stages include exploratory data analysis, balanced sam-pling, preprocessing, selection of the 20 best features using ANOVA F-test, training and testing data splitting, XGBoost modeling, evaluation, 5-fold cross-validation, and feature importance analysis. The results show a training accura-cy of 99.94% and a testing accuracy of 99.70%. The average cross-validation performance reached 99.88% accuracy, 99.90% precision, 99.85% recall, and 99.87% F1-score. Of 671 test records, the model identified 411 as BENIGN and 260 as DrDoS_UDP, while 100% of the predicted attack records used the UDP protocol. Therefore, the classification success rate reached 99.70%, demonstrat-ing that XGBoost is effective for traffic classification while supporting the iden-tification of digital artifacts associated with UDP Flood attacks. Keywords: CIC-DDoS2019, digital artifacts, network analysis, UDP Flood, XGBoost

Tahun :

2026

Cover :

Bab 1 :

Bab 2 :

Bab 3 :

Bab 4 :