DETEKSI SERANGAN DDOS MENGGUNAKAN ALGORITMA GAUSSIAN NAIVE BAYES PADA DATASET CICIOT2023

Distributed Denial of Service (DDoS) merupakan salah satu serangan siber yang dapat mengganggu ketersediaan layanan jaringan dengan membanjiri target menggunakan lalu lintas dalam jumlah besar. Penelitian ini bertujuan untuk mengimplementasikan algoritma Gaussian Naive Bayes dalam mendeteksi dan mengklasifikasikan trafik normal dan trafik serangan DDoS pada lingkungan Internet of Things (IoT) menggunakan dataset CICIoT2023. Data yang digunakan difokuskan pada kategori Benign Traffic dan DDoS-ICMP Flood. Tahapan penelitian meliputi pengumpulan dataset, preprocessing dan pembersihan data, pemisahan fitur dan label, pembagian data menjadi 80% data training dan 20% data testing, serta seleksi fitur menggunakan SelectKBest dengan metode Mutual Information. Dari fitur yang tersedia, dipilih 20 fitur terbaik untuk digunakan dalam proses klasifikasi menggunakan algoritma Gaussian Naive Bayes. Evaluasi model dilakukan menggunakan confusion matrix dengan parameter accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model Gaussian Naive Bayes memperoleh accuracy sebesar 62,96%, precision sebesar 42,05%, recall sebesar 99,53%, dan F1-score sebesar 59,12%. Nilai recall yang tinggi menunjukkan bahwa model mampu mengenali sebagian besar trafik yang merupakan serangan DDoS. Namun, nilai precision, accuracy, dan F1-score menunjukkan bahwa model masih menghasilkan kesalahan klasifikasi, khususnya dalam membedakan trafik normal dan trafik DDoS secara seimbang. Dengan demikian, algoritma Gaussian Naive Bayes pada penelitian ini memiliki kemampuan yang tinggi dalam mengenali trafik serangan DDoS, yang ditunjukkan oleh nilai recall sebesar 99,53%, namun masih memiliki keterbatasan dalam membedakan trafik normal dan trafik DDoS secara seimbang.