Perancangan Aplikasi Simulasi Deteksi Serangan DDoS Berbasis Dataset Trafik Menggunakan Metode Random Forest yang Dioptimasi Grey Wolf Optimizer untuk Meningkatkan Akurasi
Downloads
Serangan Distributed Denial of Service (DDoS) merupakan salah satu ancaman keamanan siber yang paling signifikan pada lingkungan Internet of Things (IoT) akibat meningkatnya jumlah perangkat yang saling terhubung dan kompleksitas lalu lintas jaringan. Kondisi tersebut menuntut tersedianya mekanisme deteksi yang tidak hanya memiliki tingkat akurasi yang baik, tetapi juga efisien dan mudah diimplementasikan sebagai media evaluasi sebelum diterapkan pada lingkungan nyata. Penelitian ini bertujuan mengembangkan aplikasi simulasi deteksi serangan DDoS berbasis dataset trafik dengan mengintegrasikan algoritma Random Forest dan optimasi Grey Wolf Optimizer (GWO). Penelitian menggunakan pendekatan rekayasa dengan metode deskriptif-kualitatif dan eksperimen kuantitatif melalui model pengembangan Waterfall. Dataset CICIIOT2025 digunakan sebagai data pelatihan dan pengujian setelah melalui tahapan preprocessing, sedangkan evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score, serta pengujian fungsional aplikasi. Hasil penelitian menunjukkan bahwa optimasi GWO menghasilkan model dengan akurasi sedikit lebih tinggi dibandingkan model Random Forest dasar, sekaligus membentuk arsitektur model yang lebih efisien melalui pengurangan kompleksitas tanpa menurunkan kinerja klasifikasi. Seluruh fitur aplikasi juga berfungsi sesuai kebutuhan sistem dan mampu memvisualisasikan proses deteksi secara interaktif. Dengan demikian, aplikasi yang dikembangkan berpotensi menjadi media pendukung evaluasi dan simulasi deteksi serangan DDoS pada jaringan IoT secara lebih sistematis dan efisien sebelum implementasi pada lingkungan operasional.
Abdulrazzaq, M. A., & Toker, S. (2026). Quantifying the Real-Time Gap: A Comparative Study of LLMs vs. Random Forest on the DataSense: CIC-IIoT-2025 Dataset. 2026 5th International Informatics and Software Engineering Conference (IISEC), 456–461.
Abiramasundari, S., & Ramaswamy, V. (2024). Distributed Denial-of-Service Attacks in IoT Networks: A Review.
Al-Shibly, I., Burgas, L., & Massana, J. (2024). Interpretable Intrusion Detection Systems.
Billah, M. B., Idhom, M., & Maulana, H. (2026). Deteksi Serangan DDoS pada Trafik IoT Menggunakan Random Forest dengan Dataset CICIoT2023. Progresif: Jurnal Ilmiah Komputer, 22(2), 388–399.
Chu, T. S., Si, W., Simoff, S., & Nguyen, Q. V. (2022). A Machine Learning Classification Model Using Random Forest for Detecting DDoS Attacks. 2022 International Symposium on Networks, Computers and Communications (ISNCC), 1–7.
Dembele, A., Mwangi, E., Ronoh, K. K., & Ataro, E. O. (2024). A Novel Approach for Detection of DDoS Attacks in Software-Defined Networks Based on Grey Wolf Optimizer and Support Vector Machine.
Erlangga, R., Pradifta, R. D., & Putra, A. S. (n.d.). Penerapan Metode Pemrograman Berorientasi Objek pada Bahasa Pemrograman Python dalam Merancang Aplikasi Praktik Mandiri Bidan Rozi Silvana.
Fitriani, S., Budiman, E., Fadli, M., Surono, M., & Sulistiani, H. (2025). Optimalisasi Metode Random Forest Menggunakan Particle Swarm Optimization dalam Prediksi Prestasi Mahasiswa. Prosiding Seminar Nasional Teknologi Komputer Dan Sains, 406–415.
Gunawan, T., Rivaldi, M. F., Santika, S. F., Sakti, M. H. P., & Permana, Z. S. (2026). Mengatasi Serangan DDoS SYN Flood dengan Metode Rate Filtering untuk Peningkatan Keamanan Jaringan Server. Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, Dan Ilmu Komputer, 9–16.
Hoque, S., Aydeger, A., Zeydan, E., & Liyanage, M. (2024). A Survey on DDoS Attacks in IoT Networks.
Houichi, M., Jaidi, F., & Bouhoula, A. (2025). Enhancing Smart City Security: An Intrusion Detection System Using Machine Learning Methods with the UNB CIC IoT 2023 Dataset. IET Smart Cities, 7(1), e70014.
Impron, A. (2025). Bab 5 IP Sebagai Lapisan Jaringan pada IoT. In Dasar-Dasar dan Aplikasi Internet of Things (IoT) (p. 74).
Isarianto, I., Zy, A. T., Maulana, D., & Susilo, A. (2025). Analisis Efektivitas Sistem Deteksi Intrusi terhadap Serangan DDoS: Investigasi Berbasis Simulasi. JATI (Jurnal Mahasiswa Teknik Informatika), 9(4), 6983–6987.
Jha, R. S., & Saini, H. (2026). Meta-Heuristic Intrusion Detection: Grey Wolf Optimization (GWO) for Attack Classification in Network Traffic. OPSEARCH, 1–47.
Junian, W. E., Adilla, R. P., & Irawati, S. M. (2025). Implementasi Algoritma Grey Wolf Optimizer (GWO) untuk Pemodelan Inversi 1D Data Magnetotellurik. Jurnal Geosaintek, 11(2), 197–206.
Kushwaha, V. K., Verma, D. K., Yadav, S. P., & Gupta, H. (2024). DDoS Attack Detection and Mitigation Techniques.
Mualfah, D., Ardiansyah, R., & Gunawan, R. (2025). Classification of DDoS Attacks Using the Random Forest Method and Class Weight Technique on the CICDDoS2019 Dataset. Jurnal CoSciTech (Computer Science and Information Technology), 6(3), 530–535.
Prayogi, A., Pane, M. A. S., Dian, R., Siregar, R. M., Sugianto, R. A., & Simbolon, H. F. S. (2024). Penggunaan Random Forest dan Analisis Perilaku untuk Prediksi Serangan DDoS dalam Lingkungan Cloud Computing. Techno.Com, 23(3).
Rachmatullah, M. A., Firdaus, A. S., Ekayana, N. A., Bahri, F. A. S., & Zauzi, M. (2026). Analisis Efektivitas Intrusion Detection System (IDS) untuk Serangan DDoS Menggunakan Komparasi Random Forest dan Decision Tree. JATI (Jurnal Mahasiswa Teknik Informatika), 10(1), 1536–1541.
Riansah, A., Nurdiawan, O., & Herdiana, R. (2025). Penerapan Algoritma Random Forest dan Decision Tree untuk Meningkatkan Akurasi Klasifikasi Penjualan pada Toko Bangunan. JATI (Jurnal Mahasiswa Teknik Informatika), 9(3), 4242–4249.
Ristyawan, A., Nugroho, A., & Amarya, T. K. (2025). Optimasi Preprocessing Model Random Forest untuk Prediksi Stroke. JATISI, 12(1).
Rozam, N. F., Sari, T. N., Yudianto, M. R. A., & Rahman, D. F. (2026). Machine Learning-Based Network Traffic Anomaly Detection Using the CIC-IDS2017 Dataset. UPGRADE: Jurnal Pendidikan Teknologi Informasi, 3(2).
Rui, H. Z., Chien, T. Y., Ee, L. X., San, C. W., & Yi, L. T. (2025). Comparison of the Use of Support Vector Machine (SVM) & Random Forest Algorithms (RF) for DDoS Attack Detection. International Journal of Research and Innovation in Social Science (IJRISS), 9(1), 1126–1138.
Sawah, M. S., Elmannai, H., El-Bary, A. A., Lotfy, K., & Sheta, O. E. (2025). Distributed Denial of Service (DDoS) Classification Based on Random Forest Model with Backward Elimination Algorithm and Grid Search Algorithm. Scientific Reports, 15(1), 19063.
Sugeng, W., & Adhliana, F. (2026). Deteksi Serangan DDoS pada Jaringan SDN Menggunakan Random Forest dan Particle Swarm Optimization. Jurnal Teknologi Informasi Dan Ilmu Komputer, 13(1), 39–46.
Suryadewiansyah, M. K., & Tju, T. E. E. (2022). Naïve Bayes dan Confusion Matrix untuk Efisiensi Analisa Intrusion Detection System Alert. Jurnal Nasional Teknologi Dan Sistem Informasi, 8(2), 81–88.
Vasin, N. N., & Kakabian, K. S. (2025). Application of Adaptive Neuro-Fuzzy Inference System for DDoS Attack Detection Based on CIC-DDoS-2019 Dataset. Proceedings of Telecommunication Universities, 11(3), 87–96.
Wiratama, R., Pirdhaus, A., Bintoro, E. R. P., Sari, Z., & Syaifuddin, S. (2026). Random Forest and LLM Synergies Framework for Autonomous DDoS Mitigation. Jurnal Teknik Informatika (Jutif), 7(1), 515–528.
Wolf, A. O. G., & Optimizer, G. W. (n.d.). Model Klastering Hybrid Menggunakan Inisialisasi K-Means+.
Copyright (c) 2026 Lukas Febrian Laufra, Somantri Somantri, Lusiana Sani Parwati
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International (CC-BY-SA). that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
