Deteksi Serangan DDoS Menggunakan Neural Network  dengan Fungsi Fixed Moving Average Window

Muhammad, Arif Wirawan; Riadi, Imam; Sunardi, Sunardi

doi:10.14421/jiska.2017.13-03

Cited by 6 publications

(10 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Dari data tersebut dapat dipelajari pola karakteristik trafic data yang merupakan serangan DDoS. [5,7,9,14] Research gap yang dihasilkan dari penelitian yang dilakukan oleh Siregar, Junita Juwita (2013) ini adalah memerlukan sebuah cara pengamanan pada jaringan komputer dilembaga tersebut dengan pengawasan yang lebih rutin terhada serangan DoS (Denial-of-Service Attacks). Hal ini bertujuan agar para peretas tidak dapat memenuhi dengan IP (Index Protocol) address pada jaringan komputer dan dapat mengganggu transaksi data antara server dan pengguna.…”

Section: Pendahuluanunclassified

Analysis of DDoS Attack Detection Using Neural Network Backpropagation Approach

Khumara

Sediyono

Santoso

2022

Com, Engine, Sys, Sci

View full text Add to dashboard Cite

Distributed Denial of Service (DDoS) adalah suatu serangan yang dimana memiliki volume, intensitas, serta biaya mitigasi yang akan terus meningkat sejalan dengan pertumbuhannya skala dari suatu instansi. Pada penelitian ini, peneliti mempunyai tujuan untuk menerapkan suatu konfigurasi terbaik dalam sebuah arsitektur jaringan syaraf tiruan guna meningkatkan tingkat akurasi yang sangat tinggi pada pendeteksian serangan DDoS menggunakan algoritma Backpropagation. Data yang digunakan dalam penelitian ini adalah data trafic jaringan dimana sudah ditandai keterangan DDoS tidaknya dari masing – masing data. Penelitian ini dilaksanakan menggunakan aplikasi Matlab berserta fiturnya yaitu NNToolBox. Dengan menguji 12 jenis Training Function berserta arsitektur Hidden Layer. Berdasarkan dari uji coba tersebut, nilai Error (MSE) paling minimal didapatkan sebesar 0,0585 dengan menggunakan Training Function trainbr serta arsitektur Hidden Layer berbentuk 3 lapisan dengan tiap lapisan terdapat masing – masing 4 neuron.

show abstract

Section: Pendahuluanunclassified

Analysis of DDoS Attack Detection Using Neural Network Backpropagation Approach

Khumara

Sediyono

Santoso

2022

Com, Engine, Sys, Sci

View full text Add to dashboard Cite

show abstract

“…E-commerce yang berkembang pesat dapat memberikan ruang bagi pihak yang tidak berwenang dalam melakukan tindak kejahatan di dunia maya (Mumtahana et al, 2017). Perlu dilakukan antisipasi agar keamanan dari sebuah e-commerce dapat terhindar dari gangguan atau serangan seperti malware, cross site scripting (XSS), injeksi database, eksploitasi dan lain sebagainya (Umar et al, 2018) (Muhammad et al, 2017). Kesadaran dan pemahaman yang kurang terhadap isu keamanan aplikasi atau sistem selalu mengancam setiap saat khususnya bagi para pengembang (W et al, 2016).…”

Section: Pendahuluanunclassified

Analisis Kerentanan Serangan Cross Site Scripting (XSS) pada Aplikasi Smart Payment Menggunakan Framework OWASP

Riadi

Umar²,

Lestari³

2020

JISKa

Self Cite

View full text Add to dashboard Cite

E-commerce that is growing so rapidly can provide space for unauthorized parties in carrying out cybercrime, security anticipation is needed so that e-commerce applications can be protected from harassment or hacking attacks such as cross-site scripting (XSS), malware, exploits, and database injection. This research was conducted to determine the vulnerability of the Smart Payment application by self-test using the ZAP tool. This test is carried out to secure applications that serve as recommendations for follow-up in securing the Smart Payment application. The results of this study found vulnerabilities in the Smart Payment application. Vulnerabilities found were Information Disclosure-Suspicious Comments, X-Frame-Options Header not Set, X-Content-Type-Options Header Missing, Timestamp Disclosure-Unix, XSS Protection Not Enabled Web Browsers, and Directory Browsing. In addition to obtaining vulnerabilities from the Smart Payment application, solutions are also provided to overcome vulnerabilities in the Smart Payment application.

show abstract

“…Metode Neural Network secara algoritma EM (Expectation-Maximization) digunakan untuk mendeteksi adanya serangan DDoS. Menurut dataset DARPA ada 21 kelompok serangan yang dapat dikelompokkan menjadi 13 kelompok serangan, sehingga terjadi kesalahan pemisahan alert dari jenis serangan yang sama, sehingga menjadi serangan yang berbeda [6]…”

Section: Pendahuluanunclassified

“…Fixed Moving Window adalah metode perhitungan statistik yang digunakan untuk mendapatkan extraction feature dari log data traffic [6]. Perhitungan statistik yang digunakan adalah sebagai berikut:…”

Section: G Fixed Moving Windowunclassified

Analisis Serangan DDoS Menggunakan Metode Jaringan Saraf Tiruan

Ridho¹,

Arman²

2020

SISFOKOM

View full text Add to dashboard Cite

DDoS attack (Distribute Denial of Service) is one of the weapons of choice from hackers because it’s proven it has become threat on the internet worlds. The frequent of DDoS attacks creates a threat to internet users or servers, so that requires the introduction of several new methods that occur, one of which can use the IDS (Intrusion Detection System) method. This study took advantage of Neural Network ability to detect DDoS attack or normal based on traffic log processed statistically using Fixed Moving Window. The DDOS attack scheme uses a network topology that has been designed based on the needs and objectives that are found in monitoring network traffic. In each DDoS data and normal consist of 27 traffic log with total numbers of dataset as much as 54 data along with each testing data as much as 10 DDoS data and normal. Data collection was performed using LOIC, HOIC, and DoSHTTP with 300 seconds of traffic monitoring. The result of the Fixed Moving Window processing is the extraction value that will be put in the Neural Networks have 6 input values, one hidden layer with 300 neurons and 2 outputs which consist of a normal dataset and a DDoS dataset. The results of this study showed that Neural Network can detect DDoS and Normal in a good way with accuracy value as much as 95%.

show abstract

Deteksi Serangan DDoS Menggunakan Neural Network dengan Fungsi Fixed Moving Average Window

Cited by 6 publications

References 4 publications

Analysis of DDoS Attack Detection Using Neural Network Backpropagation Approach

Analysis of DDoS Attack Detection Using Neural Network Backpropagation Approach

Analisis Kerentanan Serangan Cross Site Scripting (XSS) pada Aplikasi Smart Payment Menggunakan Framework OWASP

Analisis Serangan DDoS Menggunakan Metode Jaringan Saraf Tiruan

Contact Info

Product

Resources

About