Pengembangan Intrusion Detection System (IDS) Berbasis Deep Learning CNN-LSTM Untuk Klasifikasi Serangan DDoS

Server Open Journal Systems (OJS) Universitas Bina Insani merupakan infrastruktur kritis yang rentan terhadap serangan Distributed Denial of Service (DDoS). Proses pemantauan yang selama ini dilakukan secara manual menggunakan Wireshark terbukti bersifat lambat dan reaktif, serta tidak mampu menganalisis lalu lintas pada protokol terenkripsi (HTTPS) karena bergantung pada inspeksi isi paket (payload). Penelitian ini bertujuan mengembangkan Intrusion Detection System (IDS) berbasis Deep Learning yang mampu mengklasifikasikan serangan DDoS secara otomatis dan real-time tanpa bergantung pada proses dekripsi muatan paket. Sistem dibangun menggunakan arsitektur Hybrid Deep Learning yang menggabungkan lapisan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial dan Long Short-Term Memory (LSTM) untuk analisis ketergantungan temporal antar-paket jaringan. Pengembangan sistem mengadopsi kerangka kerja Knowledge Discovery in Databases (KDD) dengan memanfaatkan kombinasi dataset standar global CICDDoS2019 dan data simulasi lalu lintas jaringan dari virtual testbed lokal. Evaluasi kuantitatif model menggunakan Confusion Matrix terhadap 141.054 sampel aliran data menghasilkan akurasi global sebesar 87% dengan presisi kelas Normal mencapai 0,99. Pengujian fungsional secara real-time pada seluruh skenario (TCP SYN Flood, HTTP Flood, dan HTTPS) menunjukkan tingkat keyakinan prediksi sebesar 100%. Pengujian latensi inferensi pada server OJS membuktikan sistem beroperasi dengan rata-rata waktu respons 57,91 milidetik dan nilai Persentil ke-99 sebesar 114,22 milidetik, jauh di bawah ambang batas kritis 500 milidetik. Hasil penelitian membuktikan bahwa IDS berbasis CNN-LSTM yang menganalisis Network Flow mampu mengklasifikasikan serangan DDoS pada protokol terenkripsi secara akurat melalui sidik jari temporal Inter-Arrival Time (IAT), tanpa memerlukan dekripsi paket, serta layak dioperasikan pada lingkungan server produksi secara real-time.