Analisis Efektivitas LLM dalam Deteksi Serangan DDoS pada Jaringan Komputer

Abstract

Serangan Distributed Denial of Service (DDoS) adalah salah satu ancaman siber yang paling merusak, di mana pelaku serangan membanjiri jaringan atau sistem dengan lalu lintas internet yang berlebihan untuk membuat layanan menjadi tidak tersedia. Serangan ini menggunakan botnet yang terdiri dari perangkat yang terinfeksi malware dan dapat merusak reputasi perusahaan serta menyebabkan kerugian finansial yang signifikan. Mengingat kompleksitas serangan DDoS, perusahaan perlu mengenali pola-pola serangan dan menggunakan alat deteksi yang tepat. Penelitian ini mengusulkan pemanfaatan model GPT-4o-mini dari OpenAI untuk mengidentifikasi serangan DDoS melalui analisis log yang dihasilkan oleh Security Information and Event Management (SIEM). Dengan menggunakan dataset yang terdiri dari 300 data training dan 1125 data testing, model dilatih dengan berbagai fitur jaringan dan berhasil mencapai tingkat akurasi 0.99, presisi 0.98, recall 0.98, dan F1-Score 0.98. Hasil ini menunjukkan bahwa model GPT-4o-mini memiliki kinerja yang sangat baik dalam mendeteksi serangan DDoS dengan mengurangi false positive dan false negative. Meskipun demikian, penelitian ini memiliki keterbatasan, terutama terkait dengan ukuran dataset dan pemilihan model. Untuk penelitian selanjutnya, disarankan untuk memperluas ukuran dataset dan mengeksplorasi perbandingan dengan model lain seperti LSTM, CNN, atau Transformer-based untuk tugas deteksi serangan siber. Penelitian ini juga membuka kemungkinan untuk memperluas aplikasi deteksi serangan siber pada jenis serangan selain DDoS.