Electronic Theses and Dissertation

DoS (Denial of Service) merupakan salah satu serangan yang mampu untuk melumpuhkan suatu layanan jaringan pada sistem komputer, saat ini, banyak aplikasi maupun sistem yang dikembangkan dengan tujuan untuk mendeteksi serangan DoS (Denial of Service), salah satu contohnya adalah Snort. Snort merupakan tool yang efektif dan akurat dalam mendeteksi penyusupan atau serangan pada jaringan komputer, akan tetapi snort terkadang memiliki akurasi yang rendah dalam melakukan deteksi suatu serangan. Penelitian ini menerapkan pendekatan baru dalam mendeteksi serangan DoS pada jaringan komputer dengan tingkat akurasi yang lebih baik dan juga membandingkan akurasi deteksi DoS dengan tool Snort. Penelitian ini menggunakan metode GRNN (General Regression Neural Network) dengan tujuan untu meningkatkan akurasi deteksi serangan DoS serta penambahan algoritma Random Forest untuk memilih fitur pada dataset jaringan komputer sehingga mempercepat waktu komputasi sistem pada saat pengujian. Data traning yang digunakan pada penelitian ini bersumber dari CICIDS2017 (Canadian Institute for Cyber Security IDS 2017) sedangkan data uji bersumber dari data simulasi serangan DoS (Denial of Service) yang dilakukan pada suatu device. Hasil dari penelitian ini menunjukkan tingkat akurasi GRNN (General Regression Neural Network) yang lebih baik untuk deteksi serangan DoS sebesar 80.02% dibandingkan tool Snort dengan akurasi 22.83%.

DoS (Denial of Service) is an attack capable of crippling a network service on a computer system. Currently, many applications and systems are being developed with the aim of detecting DoS (Denial of Service) attacks, one example is Snort. Snort is an effective and accurate tool in detecting intrusions or attacks on computer networks, but Snort sometimes has low accuracy in detecting an attack. This study applies a new approach in detecting DoS attacks on computer networks with a better level of accuracy and also compares the accuracy of DoS detection with the Snort tool. This study uses the GRNN (General Regression Neural Network) method with the aim of increasing the accuracy of DoS attack detection and adding the Random Forest algorithm to select features in the computer network dataset so as to speed up system computing time during testing. The training data used in this study is sourced from CICIDS2017 (Canadian Institute for Cyber Security IDS 2017) while the test data is sourced from DoS (Denial of Service) attack simulation data carried out on a device. The results of this study indicate that the GRNN (General Regression Neural Network) accuracy rate is better for detecting DoS attacks by 80.02% compared to the Snort tool with an accuracy of 22.83%..