Serangan Distributed Denial of Service (DDoS) merupakan ancaman signifikan terhadap infrastruktur jaringan, khususnya pada lingkungan Software Defined Network (SDN). Penelitian ini mengembangkan sistem deteksi dan mitigasi DDoS yang memanfaatkan neural network Long Short-Term Memory (LSTM) yang diintegrasikan dengan kontroler ONOS dalam arsitektur SDN. Trafik jaringan ditangkap dan diproses menggunakan CICFlowMeter yang mengekstraksi 79 fitur statistik dari komunikasi aliran flow dengan total jumlah 19.212 record aliran yang kemudian dilakukan tahap preprocessing dan feature selection untuk digunakan dalam melatih model. Testbed eksperimental dibangun menggunakan emulator jaringan Mininet dengan ONOS sebagai kontroler SDN, mengintegrasikan Nginx sebagai generator trafik legitimate bersama skenario serangan DDoS tersimulasi (ICMP Flood, UDP Flood, dan SYN Flood). Hasil dari eksperimen menunjukkan performa deteksi sangat baik dengan accuracy 99,92%, precision 99,91%, recall 99,95%, dan F1-score 99,93% dengan pelatihan 30 epoch dan menggunakan treshold 0.5 karena minimalisasi false positive dan sensitivitas deteksi yang tidak agresif
.

Kata Kunci: LSTM, Deteksi dan Mitigasi DDoS, Software Defined Network, ONOS, Mininet, CICFlowMeter, Deep Learning, Keamanan Jaringan.