Electronic Theses and Dissertation

Vehicular AD-hoc Network (VANET) merupakan bagian dari Mobile AD-hoc Network (MANET). Yang dapat memudahkan kendaraan di jalan raya melakukan pertukaran informasi. Pada Jaringan VANET, kendaraan direpresentasikan sebagai node, dan jalan raya direpresentasikan sebagai route. Pada jaringan VANET juga terdapat permasalahan keamanan yang disebabkan kerentanannya terhadap serangan. Salah satu ancaman keamanan jaringan VANET yaitu Denial Of Service (DoS). Yang merupakan sebuah serangan yang bertujuan untuk merusak atau mengacaukan layanan. Metode Deep Learning adalah bagian dari Machine Learning yang terdiri dari banyak lapisan (hidden layer). Teknologi ini sudah diterapkan pada berbagai perangkat lunak AI, contohnya seperti pengenalan citra, pengambilan citra, mesin pencari dan pencarian info, dan pemrosesan bahasa alami. Penelitian ini menerapkan Deep Learning dengan arsitektur CNN VGG19 karena dianggap pantas untuk diimplementasikan karena karakteristiknya yang mampu mempelajari fitur yang lebih tidak berbentuk, mengurangi kompleksitas pelatihan model, akurasi yang menjanjikan, dan kemampuan untuk menangani deretan data yang besar. Setiap aktivitas penerimaan dan pengiriman packet akan tersimpan dan terekam dalam wireshark. Hasil log tersebut akan diolah, dan diambil beberapa nilai parameter seperti source IP, destination IP, protocol, packet length, dll sebelum akhirnya dapat menjadi data input untuk CNN VGG-19. Dari penilitian ini, didapat keluaran berupa sistem pendeteksian serangan DoS pada jaringan VANET dengan menggunakan penerapan metode Deep Learning. Berdasarkan penelitian yang telah dilakukan, pada pengujian dengan variasi data dengan jumlah 6000, 13000, dan 17000 data didapat rata-rata akurasi sebesar 99,67% dan rata-rata loss sebesar 4,24%. Dan pada pengujian dengan variasi iterasi, dengan jumlah iterasi 10, 20, dan 30 dan dengan data sebanyak 5000, 10000, dan 15000 data, maka didapat rat-rata akurasi sebesar 99,57% dan rata-rata loss sebesar 4,25%. Maka, semakin besar jumlah data dan jumlah iterasi, persentase akurasi akan semakin meningkat dan persentase loss akan semakin menurun.

Vehicular AD-hoc Network (VANET) is part of the Mobile AD-hoc Network (MANET). Which can make it easier for vehicles on the highway to exchange information. In VANET Network, vehicles are represented as nodes, and roads are represented as routes. The VANET network also has security problems due to its vulnerability to attacks. One of the security threats to the VANET network is Denial Of Service (DoS). Which is an attack that aims to damage or disrupt services. Deep Learning method is part of Machine Learning which consists of many layers (hidden layer). This technology has been applied to various AI software, such as image recognition, image capture, search engines and information retrieval, and natural language processing. This study applies Deep Learning with the CNN VGG19 architecture because it is considered appropriate to be implemented because of its characteristics of being able to learn more amorphous features, reducing the complexity of model training, promising accuracy, and the ability to handle large data sets. Every activity of receiving and sending packets will be stored and recorded in wireshark. The log results will be processed, and several parameter values are taken such as source IP, destination IP, protocol, packet length, etc. before finally being able to become input data for CNN VGG-19. From this research, the output is in the form of a DoS attack detection system on the VANET network using the application of the Deep Learning method. Based on the research that has been done, on testing with variations in data with the amount of 6000, 13000, and 17000 data obtained an average accuracy of 99.67% and an average loss of 4.24%. And in testing with variations of iterations, with the number of iterations 10, 20, and 30 and with data as much as 5000, 10000, and 15000 data, the average accuracy is 99.57% and the average loss is 4.25%. So, the greater the amount of data and the number of iterations, the percentage of accuracy will increase and the percentage of loss will decrease.