Electronic Theses and Dissertation

Vehicular Ad-hoc Network (VANET) merupakan pengembangan dari Mobile Ad- hoc Network (MANET). Jaringan VANET ini mengimplementasikan kendaraan yang melintas sebagai node. Dalam jaringan VANET masih mempunyai berbagai permasalahan di keamanan dikarenakan VANET rentan terhadap agresi. Keamanan jaringan komputer merupakan aspek terpenting di zaman yang serba teknologi ini. Sebuah serangan terhadap jaringan bisa mengakibatkan kerugian yang sangat fatal dan bisa terjadi kapan saja. Salah satu serangan yang mejadi fokus penulis adalah serangan SYN Flooding yang merupakan ancaman yang serius bagi kemanan pada suatu jaringan serangan ini dapat menyebabkan akses jaringan lambat, baik client maupun server. Akhir-akhir ini, deep learning menjadi suatu metode yang sering diterapkan untuk menyelesaikan suatu masalah. Deep learning ini merupakan bagian dari machine learning yang terdiri dari banyak layer. Teknologi ini sudah banyak diterapkan pada perangkat lunak Artifical Intelegent. Penulis menilai penerapan Deep Learning mampu untuk menyelesaikan permasalahan pada jaringan VANET, 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. Untuk penggunaan deep learning sudah dipermudah dengan adanya library dan Application Program Interface (API). Penelitian ini menerapkan Deep Learning dengan arsitektur CNN VGG19 karena dianggap pantas untuk diimplementasikan karena karakteristiknya yang mampu mempelajari data yang abstrak, mengurangi kompleksitas pelatihan model, akurasi yang menjanjikan, dan kemampuan untuk menangani deretan data yang besar. Setiap aktivitas penerimaan dan pengiriman packet akan 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 SYN Flooding pada jaringan VANET dengan menggunakan penerapan metode Deep Learning. Berdasarkan penelitian yang telah dilakukan, pada pengujian 3 variasi data dengan jumlah 6000, 13000, dan 17000 data didapat rata-rata akurasi sebesar 99,74% dan rata-rata loss sebesar 6,96%. Dan pada pengujian dengan variasi iterasi, dengan jumlah iterasi 10, 20, dan 30 dan dengan data sebanyak 5000, 10000, dan 15000 data, maka didapat rata-rata akurasi sebesar 99,73% dan rata-rata loss sebesar 3,56%.

Vehicular Ad-hoc Network (VANET) is a development of the Mobile Ad-hoc Network (MANET). This VANET network implements passing vehicles as nodes. The VANET network still has various problems in security because VANET is vulnerable to aggression. Computer network security is the most important aspect in this technological era. An attack on the network can result in very fatal losses and can occur at any time. One of the attacks that became the focus of the author is the SYN Flooding attack which is a serious threat to security on a network. This attack can cause slow network access, both client and server. Lately, deep learning has become a method that is often applied to solve a problem. Deep learning is part of machine learning which consists of many layers. This technology has been widely applied to Artificial Intelligence software. The author considers the application of Deep Learning to be able to solve problems on the VANET network, 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. The use of deep learning has been made easier with the library and Application Program Interface (API). 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 abstract data, 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 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 SYN Flooding 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 3 variations of data with a total of 6000, 13000, and 17000 data obtained an average accuracy of 99.74% and an average loss of 6.96%. And in the test with a variety 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 99.73% and the average loss is 3.56%.