Optimalisasi Model Algoritma Random Forest Dalam Mengidentifikasi Serangan Distributed Denial Of Service Pada Dataset Cicids-2017

Ancaman serangan siber terus meningkat seiring dengan ketergantungan sistem terhadap jaringan komputer, salah satunya adalah serangan Distributed Denial of Service (DDoS) yang dapat melumpuhkan sistem dengan membanjiri permintaan palsu hingga layanan tidak dapat diakses oleh pengguna sah. Untuk mengatasi hal tersebut, diperlukan metode deteksi yang cepat dan akurat dalam mengenali pola serangan secara otomatis. Penelitian ini mengkaji efektivitas algoritma Random Forest dalam mendeteksi dan mengklasifikasikan jenis-jenis serangan jaringan menggunakan dataset CIC-IDS2017 yang telah umum digunakan sebagai standar evaluasi sistem deteksi intrusi. Proses penelitian dilakukan secara sistematis, mulai dari pembersihan dan eksplorasi data, pembagian dataset menjadi data pelatihan dan pengujian, hingga pelatihan dua model Random Forest—Model 1 tanpa optimasi dan Model 2 dengan tuning parameter. Evaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score menunjukkan bahwa Model 2 lebih unggul dengan akurasi 98,29% dan performa yang konsisten dalam membedakan lalu lintas normal dan berbagai jenis serangan. Hasil ini menunjukkan bahwa algoritma Random Forest memiliki keandalan dan efisiensi tinggi, serta layak diimplementasikan dalam sistem Intrusion Detection System (IDS) berbasis machine learning.

Kata Kunci: Random Forest, DDoS, CIC-IDS2017, Machine Learning, Deteksi Serangan Jaringan