Analisis Model LSTM untuk Klasifikasi Serangan Botnet pada Dataset CTU-13

Abstract

Serangan botnet merupakan ancaman serius terhadap keamanan jaringan karena dapat mengganggu layanan, menyalahgunakan sumber daya, dan mendukung aktivitas berbahaya. Penelitian ini menganalisis penerapan Long Short-Term Memory (LSTM) untuk mendeteksi serangan botnet menggunakan dataset CTU-13, khususnya skenario 9-Neris-20110817.binetflow.parquet. Dataset yang digunakan berisi fitur aliran jaringan, seperti durasi koneksi, protokol, arah komunikasi, status koneksi, jumlah paket, total byte, dan byte dari sumber. Proses klasifikasi dilakukan secara biner untuk membedakan trafik Normal dan Attack. Penelitian ini menguji empat skenario time step, yaitu 5, 10, 20, dan 30 time steps. Oversampling diterapkan pada level sequence untuk menyeimbangkan jumlah sampel pada setiap kelas. Hasil penelitian menunjukkan bahwa penggunaan time step yang lebih panjang dapat meningkatkan performa model. Hasil terbaik diperoleh pada time step 30 dengan accuracy 0,9980, precision 0,9960, recall 1,0000, F1-score 0,9980, dan ROC-AUC 0,9997.