Serangan Denial of Service (DoS) merupakan sebuah fenomena yang sedang menjadi topik hangat belakangan ini. Intensitas serangan DoS semakin meningkat setiap harinya dengan ditemukannya jenis serangan baru dengan tipe yang sama yaitu Distributed Denial of Service (DDoS). Kedua serangan tersebut menyerang korban dengan cara membanjiri kanal trafik korban dengan banyak kiriman paket pada satu waktu. Hal ini membuat aliran paket yang menuju komputer korban menjadi tersendat sehingga memungkinkan korban tidak mendapatkan paket yang diinginkan karena padatnya trafik pada jaringannya.
Metode LRD dan Self-Similarity merupakan metode yang cocok dengan sifat trafik jaringan yaitu variability dan burstiness. Pada metode LRD dinyatakan bahwa trafik jaringan merupakan memori jangka panjang dimana tingkah laku tersebut berkorelasi melalui waktu yang terpisah jauh. Hal ini menunjukan bahwa setiap paket yang dikirim dan diterima memiliki korelasi dan hubungan tertentu meskipun waktu antar kedatangan paket terpisah cukup jauh. Dalam DDoS kemungkinan korelasi dan hubungan tersebut tidak terjadi dalam waktu yang dekat sekalipun. Ini membuat pendeteksian menggunakan DDoS menggunakan LRD menjadi salah satu metode terbaik. Self-Similarity adalah sebuah skala dari invarian yang selalu memiliki kesamaan, jadi ketika self-similarity digunakan kedalam pemodelan trafik, maka terlihat plot dari trafik tersebut memiliki kesamaan, walaupun secara waktu memiliki perbedaan.
Hasil dari penelitian ini, analisis sifat-sifat self-similarity memiliki performansi yang baik. Hal ini dapat dilihat dari nilai hurst eksponen yang sesuai dengan teori penunjang yang ada. Dimana Estimasi hurst eksponen memberikan nilai antara 0,5 hingga 1 untuk pengujian dataset normal dan nilai diluar range tersebut untuk pengujian anomali. Selain itu dapat dilihat pula dari nilai mahalanobis distance untuk setiap sifat-sifat self-similarity. Dari pengujian tiap langkahnya, nilai mahalnobis distance dari dataset DDoS selalu lebih besar dari nilai mahalanobis distance dari penngujian dataset normal. Sedangkan nilai mahalanobis distance dari dataset flashcrowd memiliki nilai yang lebih kecil dari nilai mahalanobis ddistance dari dataset normal.
Kata Kunci : DDoS, LRD, Self-Similarity, burstiness, mahalanobis