IMPLEMENTASI IMBALANCE LABEL HANDLING DAN FEATURE SELECTION DALAM PENINGKATAN PERFORMA ALGORITMA MACHINE LEARNING PADA DETEKSI SERANGAN JARINGAN DOS

Serangan Denial of Service (DoS) merupakan ancaman utama bagi keamanan jaringan, hal ini ditandai dengan melimpahnya sumber daya sistem dengan permintaan yang tidak sah. Serangan yang demikian dapat mengganggu layanan-layanan penting dan menyebabkan kerugian finansial yang besar. Penelitian ini mengevaluasi efektivitas empat algoritma machine learning yaitu Random Forest, Linear Discriminant Analysis (LDA), Logistic Regression dan Naïve Bayes dalam mendeteksi serangan DoS dengan menggunakan dataset NSL-KDD sebagai standar. Penelitian ini bertujuan untuk menentukan algoritma yang paling dapat diandalkan untuk mendeteksi serangan DoS melalui analisis komparatif. Metodologi yang digunakan meliputi prapemrosesan data, pemilihan fitur, pengkodean label, dan penyeimbangan menggunakan SMOTE. Setiap algoritma tersebut dilakukan hyperparameter tuning dan validasi silang 10 bagian untuk mengoptimalkan kinerja. Metrik evaluasi seperti akurasi, presisi, recall, dan F1-score digunakan untuk perbandingan model. Hasilnya menunjukkan bahwa Random Forest mencapai akurasi tertinggi (99,97%) dan kinerja yang unggul di semua metrik, menunjukkan generalisasi dan presisi yang sangat baik. LDA, Logistic Regression dan Naïve Bayes juga memiliki kinerja yang baik tetapi tidak sebaik Random Forest dalam menangani pola yang kompleks dalam dataset. Penelitian ini menekankan pentingnya penggunaan teknik machine learning untuk deteksi intrusi jaringan, terutama dalam mengatasi ancaman DoS. Hasil penelitian ini memberikan wawasan yang bermanfaat untuk memilih algoritma yang sesuai untuk implementasi di masa depan dalam sistem keamanan siber.