Peningkatan Akurasi Deteksi DDoS SDN Menggunakan Algoritma Random Forest Berbasis Gain Ratio

Reza Pahlevi; Latifah Nur Zam Zam; Imelda Imelda

doi:10.30998/jrami.v7i03.1288

Authors

Reza Pahlevi Universitas Budi Luhur Author
Latifah Nur Zam Zam Author
Imelda Imelda Author

DOI:

https://doi.org/10.30998/jrami.v7i03.1288

Keywords:

Keamanan Jaringan, Gain Ratio, Random Forest, SDN, DDoS

Abstract

The development of Software-Defined Networking technology offers high flexibility in network management but also introduces security vulnerabilities to Distributed Denial of Service attacks. These attacks can paralyze the SDN controller through packet flooding, leading to a drastic decline in network performance. This research aims to enhance the accuracy of DDoS attack detection in an SDN architecture based on the Ryu Controller with the OpenFlow v1.3 protocol by implementing the Random Forest algorithm optimized with Gain Ratio feature selection. The novelty of this study lies in the use of a primary dataset collected through a self-developed SDN testbed using Mininet with a Modified Tree topology to generate more realistic attack scenarios. The Gain Ratio method is employed to reduce data dimensionality by selecting the most relevant features from OpenFlow network traffic, thereby accelerating processing time and minimizing detection error rates. The experimental results demonstrate that the combination of Random Forest and Gain Ratio achieved a detection accuracy of 99.84% in a controlled testbed environment. This study indicates that the integration of Random Forest and Gain Ratio provides higher accuracy compared to the standard algorithm. The use of Gain Ratio feature selection is proven to optimize both the accuracy and efficiency of the Random Forest algorithm in DDoS detection

Downloads

Download data is not yet available.

Author Biographies

Reza Pahlevi, Universitas Budi Luhur

Mahasiswa Program Magister Ilmu Komputer di Universitas Budi Luhur. Sebelumnya, penulis menyelesaikan pendidikan sarjana di Universitas Indraprasta PGRI pada tahun 2019. Fokus penelitian penulis saat ini adalah pada bidang keamanan jaringan, khususnya mengenai deteksi serangan DDoS menggunakan metode machine learning.
Latifah Nur Zam Zam

Mahasiswa Program Magister Ilmu Komputer di Universitas Budi Luhur. Sebelumnya, penulis menyelesaikan pendidikan sarjana di Universitas Insan Pembangunan Indonesia pada tahun 2025. Fokus penelitian penulis saat ini adalah pada bidang keamanan jaringan, khususnya mengenai deteksi serangan DDoS menggunakan metode machine learning
Imelda Imelda

Merupakan staf pengajar ahli di Universitas Budi Luhur dengan latar belakang pendidikan yang kuat. Pendidikan sarjana (S1) tuntas di STMIK Budi Luhur pada tahun 1997 dalam bidang Teknik Informatika. Gelar Magister (S2) diraih dari Universitas Indonesia pada tahun 2006 pada jurusan Magister Teknologi Informasi. Pendidikan doktoral (S3) resmi rampung di Universitas Gadjah Mada pada tahun 2018 dalam bidang Ilmu Komputer. Dedikasi akademik saat ini difokuskan sepenuhnya pada pengembangan riset serta pengajaran di Universitas Budi Luhur.

References

Ekawijana, A., Bakhrun, A., & Kurniawan, M. T. (2024). Deteksi Serangan DDOS Pada Jaringan SDN dengan Metode Random Forest. Jurnal media informatika budidarma, 8(1), 685

Harto, M. K., & Basuki, A. (2021). Deteksi Serangan DDos Pada Jaringan Berbasis Sdn Dengan Klasifikasi Random Forest. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 5, 1329–1333.

Sari, L., Faiz, M. N., & Muhammad, A. W. (2025). Perbandingan Pendekatan Machine Learning dalam Deteksi Serangan DDoS Jaringan Komputer. Infotekmesin, 16(1), 153–159.

Mamuriyah, N., Prasetyo, S. E., & Sijabat, A. O. (2024). Rancangan Sistem Keamanan Jaringan dari serangan DDoS Menggunakan Metode Pengujian Penetrasi. Jurnal Teknologi Dan Sistem Informasi Bisnis, 6(1), 162–167.

Sugeng, W., & Adhliana, F. (2026). Deteksi serangan DDoS pada jaringan sdn menggunakan random forest dan particle swarm optimization. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 13, 39–46.

Supriyadi, R., Gata, W., Maulidah, N., & Fauzi, A. (2020). Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah. E-Bisnis : Jurnal Ilmiah Ekonomi dan Bisnis, 13(2), 67–75.

Kurniabudi, K., Harris, A., & Rahim, A. (2020). Seleksi Fitur Dengan Information Gain Untuk Meningkatkan Deteksi Serangan DDoS menggunakan Random Forest. Techno.Com, 19(1), 56–66.

Lutfia, A., Gunawan, G., Rohman, R. S., & Gunawan, A. (2024). Penerapan seleksi fitur gain ratio pada prediksi penyakit jantung berbasis naïve bayes. Jurnal Responsif : Riset Sains dan Informatika, 6(1), 1–10.

Kiswanto, D., Ramadhani, F., Surbakti, N. M., & Nasution, N. A. (2025). Pengembangan dan Implementasi Sistem Deteksi Serangan DDoS Berbasis Algoritma Random Forest. 6(3), 247–256.

Winanto, E. A., Novianto, Y., Sharipuddin, S., Wijaya, I. S., & Jusia, P. A. (2024). Peningkatan performa deteksi serangan menggunakan metode pca dan random forest. Jurnal Teknologi Informasi dan Ilmu Komputer, 11(2), 285–290.

Gudare, Y. B., Bria, Y. P., & Tedy, F. (2026). Penerapan Algoritma Random Forest untuk Analisis dan Deteksi Dini Serangan Siber pada Lalu Lintas Jaringan. 3.

Pramudita, A. Z., & Suartana, I. M. (2020). Perbandingan Performa Controller OpenDayLight dan Ryu pada Arsitektur Software Defined Network. Journal of Informatics and Computer Science (JINACS), 1(04), 174–178.

Joses, S., Quinevera, S., Mardianto, R., Yulvida, D., & Shiddiqi, A. M. (2024). Pendekatan Metode Ensemble Learning untuk Deteksi Serangan DDoS menggunakan Soft Voting Classifier. Jurnal Edukasi dan Penelitian Informatika (JEPIN), 10(1), 79.

Ikhwanul Uzlah, L., Adi Saputra, R., & Isnawaty, I. (2024). Deteksi serangan siber pada jaringan komputer menggunakan metode random forest. JATI (Jurnal Mahasiswa Teknik Informatika), 8(3), 2787–2793.

Fathurrahman, M. A., & Prabowo, D. W. (2025). Perbandingan Performa Algoritma Random Forest dan SVM Dalam Mendeteksi serangan DDoS di Jaringan Cloud. Jurnal Riset Rekayasa Elektro, 7(2), 193–202.